基于图像的DNA测序编码,用于检测低马赛克的体质移动元素插入
Miaomiao Tan1,2, Zhinan Lin2, Zhuofu Chen2
1Key Laboratory of Artificial Organs and Computational Medicine in Zhejiang Province, Institute of Translational Medicine, Zhejiang Shuren University, Hangzhou, China.
Nature communications
|October 16, 2025
概括
深度学习工具RetroNet准确地检测体细胞中的移动元素插入 (MEI),即使是低频插入. 这一进步有助于理解基因组动态和疾病影响.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 人类基因组中的活跃移动元素可以在体组织中产生新型移动元素插入 (MEI).
- 检测体质MEI,特别是低马赛克的,由于测序文物和对齐错误,具有挑战性.
- 目前的方法往往缺乏灵敏度或需要人工检查,阻碍了有效的分析.
研究的目的:
- 开发一种敏感和自动化的方法来识别体质 MEI.
- 克服现有工具在检测低频MEI方面的局限性.
- 为各种DNA样本类型,包括退化DNA提供可用的强大的算法.
主要方法:
- 开发RetroNet,一个深度学习算法,将序列阅读转换为图像.
- 培训RetroNet在各种数据集上进行培训,以识别体质MEI.
- 评估RetroNet的性能与使用癌细胞系和模拟数据的现有方法相比.
主要成果:
- RetroNet能够以高精度 (0.885) 和回忆 (0.579) 识别体质MEI,检测出只在1.79%的细胞中存在的插入.
- 该算法甚至在退化DNA的情况下也表现出有效性,例如循环瘤DNA.
- RetroNet消除了手动检查的需要,提供了一个完全自动化的检测过程.
结论:
- RetroNet显著提升了体质MEI的检测,特别是那些具有较低马赛克的MEI.
- 该工具对短读测序数据和退化DNA的适用性扩大了其在基因组研究中的实用性.
- RetroNet有可能提高我们对体质逆转换的功能和病理作用的理解.


