一个深度学习模型利用语义特征的融合,用于在人类基因组中识别DNase I过敏位点
Fawaz Khaled Alarfaj1, Muhammad Tahir2, Gautam Srivastava3
1Department of Management Information Systems, School of Business, King Faisal University, Al Ahsa, Saudi Arabia.
Computer methods and programs in biomedicine
|October 28, 2025
概括
这项研究引入了先进的计算模型,用于预测DNase I过敏位点 (DHS),这对于理解基因调节和疾病至关重要. 开发的模型在现有方法中表现出优越的性能,提供了具有成本效益和效率的方法.
科学领域:
- 基因组学和生物信息学
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- DNase I 过敏位 (DHS) 是可访问的染色质区域,对基因调节至关重要.
- DHS与各种疾病有关,包括癌症和神经系统疾病.
- 传统的DHS识别方法耗费大量资源和时间.
研究的目的:
- 开发高性能,具有成本效益的计算模型来预测DHS.
- 为了克服传统劳动密集型DHS识别技术的局限性.
主要方法:
- 提出了四种计算模型:CNN,CNN-GRU融合,CNN-kmer融合,以及CNN-GRU-kmer融合.
- 使用了1维卷积神经网络 (CNN),封闭反复单位 (GRU) 和k-mer特征.
- 实施特征融合技术,以提高预测准确度.
主要成果:
- 拟议的模型实现了高精度 (0.8631),灵敏度 (0.7209),特异性 (0.9353),MCC (0.6468),AUC ROC (0.8528) 和AUC PR (0.7530).
- 性能指标超过了现有的最先进模型的性能指标.
- 在公开可用的数据集上验证的模型.
结论:
- 集成模型有效地捕捉了DHS序列中的复杂模式和依赖关系.
- 基于语义向量的特征融合显著提高了特征表示和分类性能.
- 这项研究为DHS预测提供了强大而高效的计算方法.
