基于机器学习的DNA N4-甲基胞嘧啶位点预测研究

脱氧核糖核酸(DeoxyriboNucleic Acid,DNA)N4-甲基胞嘧啶(N4-methylcytosine,4mC)修饰涉及基因表达、DNA复制等多个过程,是一种较为常见的DNA位点预测方法。对6个不同物种进行独热编码(One-Hot encoding),在进行算法训练和模型评估后发现,支持向量机模型的各项评估结果均高于其他算法,由此说明采用支持向量机模型预测4mC位点是最优选择。

DNA4mcEL:基于核苷酸信息特征计算分析与预测DNA N^4-甲基胞嘧啶位点

N^4-甲基胞嘧啶(N^4-methylcytosine,4mC)是一种重要的表观遗传修饰,在DNA的修复、表达和复制中发挥重要作用。准确鉴定4mC位点有助于深入研究其生物学功能和机制,由于4mC位点的实验鉴定即耗时又昂贵,特别是考虑到基因序列的快速积累,迫切需要补充有效的计算方法。因此,提供一个快速、准确的4mC位点在线预测平台十分必要。目前,还未见对构建必要的预测模型所需的不同特征的机器学习(machine learning,ML)方法进行全面的分析和评估。我们构建多组特征集,并且采用5种ML方法 (如随机森林,支持向量机,集成学习等),提出一种称为'DNA4mcEL'的预测方法。在随机10折交叉验证测试下与现有的预测器相比,DNA4mcEL预测C. elegans、D. melanogaster、A. thaliana、E. coli、G. subterraneus、G. pickeringii 6个物种的精度均有提高。基于本方法的预测器DNA4mcEL在这项任务中显著优于现有的预测器。我们希望通过这个综合调查和建立更准确模型的策略,可以作为激发N^4-甲基胞嘧啶预测计算方法未来发展的有用指南,加快新N^4-甲基胞嘧啶的发现。DNA4mcEL的独立版本可以从https://github.com/kukuky00/DNA4mcEL.git免费获得。

基于双层卷积神经网络的DNA N4-胞嘧啶甲基化位点预测

DNA N4-胞嘧啶甲基化(N4-methylcytosine,4mC)是一种重要的表观遗传修饰,能在基因表达、细胞修复、DNA复制及保护等方面发挥作用.机器学习算法在预测4mC位点时,一个重要的环节是特征提取,为更充分地提取数据特征,进一步提高4mC位点的预测准确率,提出了一种基于双层卷积神经网络的4mC位点预测模型.首先,将序列数据进行特征编码,搭建具有双卷积层和双池化层的卷积神经网络模型,采用L2范式正则化避免模型过拟合,并采用10折交叉验证保证模型预测的稳定性;其次,对模型参数进行调试,选取预测能力较高的参数组合进行模型训练;最后,将模型的4mC位点预测能力与几种已有算法进行比较.结果表明,双层卷积神经网络模型具有较好的预测性能和鲁棒性,优于基于一般机器学习和单层卷积神经网络的4mC位点预测算法,有效提高了4mC位点的预测能力.

基于集成学习预测DNA N4-甲基胞嘧啶位点

DNA N4-甲基胞嘧啶(N4-methylcytosine,4mC)是生物体中一种非常重要的表观遗传修饰,在生物过程中起着非常重要的作用。因此,本文提出了一种基于集成学习的方法来预测DNA N4-甲基胞嘧啶(N4-methylcytosine,4mC)位点,简称为4mC-DeepM。该方法同时使用了DNA序列组成信息和one-hot编码后的位置信息,将DNA序列组成信息、one-hot编码后的序列位置信息分别放入全连接网络和卷积神经网络,然后将它们的输出通过全连接网络进行集成,得到最终预测结果。