EAP-LSTM:一个基于Bi-LSTM的深度学习框架,用于定量预测Drosophila和人类细胞系中的增强剂活性

科学领域:

• 基因组学和生物信息学
• 分子生物学分子生物学
• 计算生物学 计算生物学

背景情况:

• 增强剂活性对基因调节至关重要,影响发育和疾病.
• 精确预测增强剂活性对于理解基因调节机制至关重要.
• 目前的预测模型需要改进以获得更广泛的适用性.

研究的目的:

• 开发一个新的深度学习框架,EAP-LSTM,用于定量增强器活动预测.
• 评估EAP-LSTM在不同物种和细胞系中的性能.
• 研究转录因子结合部位在增强剂功能的作用.

主要方法:

• 开发了EAP-LSTM (基于Bi-LSTM的增强器活动预测) 框架.
• 集成的DNA序列特征 (Word2Vec,k-mer变体) 和表观基因组数据.
• 在六个不同的细胞系 (人类和Drosophila) 上验证了模型.

主要成果:

• 在所有数据集中,EAP-LSTM的表现始终优于最先进的模型 (DeepSTARR,HEAP).
• 在K562数据上获得0.7944的PCC,超过了竞争对手.
• 在小样本学习场景中表现出强的表现.
• 在与增强剂活性相关的转录因子结合位点内确定了关键动机.

结论:

• 在增强器活动预测准确度方面,EAP-LSTM提供了显著的进步.
• 该框架为增强器功能的分子机制提供了宝贵的见解.
• 这些发现有助于更好地了解发育和疾病中的基因调节.