通过深度学习对低亲和度转录因子-DNA结合的基于序列建模
Yingfei Wang1, Jinsen Li1, Tsu-Pei Chiu1
1Department of Quantitative and Computational Biology, University of Southern California, Los Angeles, CA 90089, United States.
反向补充重量共享模型提高了深度学习的准确性,用于预测转录因子-DNA结合特异性,特别是在低亲和度位点. 这一进步有助于理解基因调节和蛋白质设计.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 分子生物学分子生物学
背景情况:
- 转录因子-DNA结合特异性对于基因调节至关重要.
- 包括CNN和SA变压器在内的深度学习模型已经进行了先进的TF-DNA结合预测.
- 需要对模型中的DNA序列定向处理进行系统的评估,特别是对于低亲和度结合.
研究的目的:
- 为了比较处理TF-DNA结合特异性的深度学习模型中的DNA序列定向的不同策略.
- 评估这些模型的解释方法.
- 识别低亲和度结合点及其机制.
主要方法:
- 使用SELEX-seq数据对Drosophila中的八个Exd-Hox异构体进行了分析.
- 将正规模型与数据增强和反向补充重量分配模型 (CNN和SA变压器) 进行比较.
- 评估的解释方法:渐变输入,DeconvNet,DeepLIFT,以及在基变异 (ISM).
主要成果:
- 用增强数据训练的反补充重量共享CNN和SA模型的表现优于其他方法.
- 与其他解释方法相比,in silico mutagenesis (ISM) 对超参数设置的敏感性较小.
- 在低亲和度位点确定了Exd-Ubx结合,并提出了生物物理机制.
结论:
- 反向补充策略增强了TF-DNA结合特异性的深度学习模型,特别是对于低亲和度相互作用.
- 对于这些模型来说,ISM是一种强大的解释方法.
- 这些发现有助于理解基因调节中的低亲缘关系TF结合,并为TF-DNA结合特异性引导的蛋白质设计提供信息.
更多相关视频
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
12:29Identifying Transcription Factor Olig2 Genomic Binding Sites in Acutely Purified PDGFRα+ Cells by Low-cell Chromatin Immunoprecipitation Sequencing Analysis
Published on: April 16, 2018
相关概念视频
Cooperative Binding of Transcription Regulators
Cooperative Binding of Transcription Regulators
Transcription Factors
Conserved Binding Sites
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
Cis-regulatory Sequences
RNA Polymerase II Accessory Proteins
