用牛津纳米孔测序检测BrdU的训练循环神经网络:指导和经验教训
Haibo Liu1, William Flavahan1, Lihua Julie Zhu1,2
1Department of Molecular, Cell and Cancer Biology, University of Massachusetts Chan Medical School, 364 Plantation Street, Worcester, MA 01605, USA.
Genes
|November 27, 2025
概括
研究人员开发了一种深度学习模型,通过纳米孔测序来检测DNA合成期间的5'--2'-脱氧化 (BrdU) 结合. 该协议指导了BrdU数据准备和模型培训,用于增强细胞增殖研究.
科学领域:
- 分子生物学分子生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 5 - - 2 - 脱氧氨 (BrdU) 是一种对研究细胞增殖和DNA合成至关重要的提米丁模拟物.
- 在单核酸分辨率下准确检测BrdU的结合,对于理解DNA复制动态至关重要.
- 通过纳米孔测序检测BrdU的现有深度学习方法缺乏适合新技术的可访问教程.
研究的目的:
- 提供一个可访问的协议,用于准备训练数据和实施深度学习模型,用于使用纳米孔测序检测BrdU.
- 训练和评估一种深度学习模型,用于检测BrdU在DNA序列中的内置.
主要方法:
- 利用了公开可用的合成和真实纳米孔DNA测序数据集,包括和没有BrdU.
- 使用开源和定制软件工具处理数据.
- 在Google Colab上使用TensorFlow训练基于双向封闭循环单元 (BiGRU) 的循环神经网络 (RNN).
主要成果:
- 在使用基于BiGRU的RNNs检测BrdU时实现了高特异性 (>94%).
- 由于可用的BrdU-阳性训练数据的局限性,观察到中度敏感性.
- 详细介绍了模型设置,培训,测试和微调的端到端过程.
结论:
- 开发的协议,虽然训练在遗留的R9流细胞数据,是适应较新的R10流细胞和其他基调修改检测.
- 这项工作促进了深度学习的更广泛应用,特别是RNN,用于分析序列数据的生物研究.
- 使用纳米孔测序技术,促进对DNA复制和细胞增殖的先进研究.
