机器学习驱动的预测,在Drosophila胚胎发生过程中活动核的时空动力学
Parisa Boodaghi Malidarreh1,2, Priyanshi Borad3, Biraaj Rout1,2
1Department of Computer Science and Engineering, University of Texas at Arlington, Arlington, TX 76019, USA.
International journal of molecular sciences
|November 13, 2025
概括
机器学习模型早期的Drosophila基因表达动态,准确预测空间模式和时间变化. 这种方法捕捉了取决于背景的基因调节,这对于理解发育过程至关重要.
科学领域:
- 发展生物学 发展生物学
- 计算生物学 计算生物学
- 遗传学 遗传学 是一个
背景情况:
- 早期胚胎发生涉及复杂的基因表达动态.
- 了解时空基因调节是发育过程的关键.
- 机器学习为模拟生物系统提供了新的方法.
研究的目的:
- 开发和优化用于建模基因表达空间时间动态的机器学习管道.
- 准确地分类活细胞核,并预测它们在早期Drosophila胚胎发生过程中的分布.
- 评估模型在不同遗传环境中的表现,使用短胃化 (sog) 基因的记者构造.
主要方法:
- 机器学习的应用以建模基因表达.
- 优化模型架构,特征选择和空间网格分辨率.
- 使用两个短胃化基因的记者构造 (sogD和sogD_∆Su(H)) 的评估.
主要成果:
- 该模型在分类核和预测基因表达方面取得了很高的准确性,特别是在核周期14期间沿背腹轴进行基因表达.
- 准确预测中部地区的表达,无论是野生类型和无毛 (Su(H)) 突变增强剂的抑制剂.
- 引导式分析证实,与边缘地区相比,中部地区的表现更好.
结论:
- 机器学习可以有效地捕捉上下文依赖的转录调节.
- 空间背景对于理解基因调节逻辑至关重要.
- 开发的管道为in silico增强剂突变发生和发展过程建模提供了一个强大的框架.
