对深度学习模型进行比较分析,以预测因果监管变异
Gaetano Manzo1, Kathryn Borkowski1,2, Ivan Ovcharenko1
1Computational Biology Branch, Division of Intramural Research, National Library of Medicine, National Institutes of Health, 8600 Rockville Pike, Bethesda, MD 20894, USA.
卷积神经网络 (CNN) 模型擅长预测增强剂中的单核酸多态性 (SNP) 效应,而混合CNN-转换器模型最适合在链接不平衡 (LD) 块内识别因果性SNP. 这种标准化的比较有助于为非编码变体分析选择模型.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 全基因组关联研究 (GWAS) 识别与复杂特征相关的非编码变异,但确定因果关系是具有挑战性的.
- 深度学习模型,包括CNN和变压器,用于变量效应预测,但不一致的基准阻碍了比较.
- 需要标准化的评估来比较领先的模型来预测增强剂的变异效应,并优先考虑因果单核酸多态 (SNP).
研究的目的:
- 为评估深度学习模型在增强器中预测变量效应建立标准化的基准.
- 为了比较领先的CNN和基于变压器的模型的变异效应预测和因果SNP优先级的性能.
- 引导选择合适的模型来分析非编码遗传变异.
主要方法:
- 在MPRA,raQTL和eQTL实验中的9个数据集上评估了最先进的深度学习模型.
- 评估了模型在四个人类细胞系的增强剂中预测54,859个SNP的监管影响的性能.
- 用于预测SNP监管效应和在链接不平衡 (LD) 块内识别因果SNP的比较模型,包括微调效应.
主要成果:
- CNN模型 (TREDNet,SEI) 在预测SNP监管对增强剂的影响方面表现出卓越的表现.
- 混合CNN-变压器模型 (Borzoi) 在LD块内因果变异优先级方面表现出色.
- 微调改进了变压器的性能,但并没有完全缩小与CNN在增强器效应预测方面的差距.
结论:
- 在统一的基准下,CNN架构对于估计SNP的增强监管效应是最可靠的.
- 混合CNN-变压器模型在链接不平衡 (LD) 块内因果SNP识别方面优越.
- 这些发现为非编码地区的变异效应预测中选择模型提供了指导.
更多相关视频
07:15Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
Published on: January 16, 2019
11:35Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA
Published on: August 21, 2016
相关概念视频
Cis-regulatory Sequences
Comparing Copy Number Variations and SNPs
Copy number variations or CNVs are the structural variations that cover more than 1kb of DNA sequence. The single nucleotide polymorphism (SNP), on the other hand, is a single nucleotide change or a point mutation that is found in more than 1%...
Epistasis Analysis
Variability: Analysis
The range is a simple measure of variability, indicating the difference between the highest and...
Neural Regulation
