跨物种启动子预测中机器学习与深度学习技术的比较
基因组学
2021-05-18 v1 机器学习
摘要
基因启动子是定位于转录起始位点附近的关键DNA调控元件,负责调控基因转录过程。已有多种基于比对、基于信号与基于内容的方法被报道用于启动子预测。然而,由于并非所有启动子序列都呈现显式特征,这些技术的预测性能较差。因此,许多机器学习与深度学习模型被提出用于启动子预测。本工作中,我们研究了使用三种不同的高等真核生物即酵母(Saccharomyces cerevisiae)、拟南芥(A. thaliana,植物)与人类(Homo sapiens)的基因组序列进行向量编码与启动子分类的方法。我们在1维卷积神经网络(CNN)模型上比较了一热向量编码方法与基于频率的 tokenization (FBT)用于数据预处理。我们发现FBT给出了更短的输入维度,在不影响分类灵敏度与特异性的情况下减少了训练时间。我们采用了深度学习技术,主要是CNN与带长短期记忆(LSTM)的循环神经网络以及随机森林(RF)分类器,在k-mer大小为2、4和8下进行启动子分类。我们发现CNN在从非启动子序列分类启动子(二分类)以及启动子序列的物种特异性分类(多分类)中均更优。总之,本工作的贡献在于使用合成洗牌负数据集与基于频率的 tokenization 进行预处理。本研究为基因组应用中的分类任务提供了全面且通用的框架,并可扩展至各类分类问题。
引用
@article{arxiv.2105.07659,
title = {Comparison of machine learning and deep learning techniques in promoter prediction across diverse species},
author = {Nikita Bhandari and Satyajeet Khare and Rahee Walambe and Ketan Kotecha},
journal= {arXiv preprint arXiv:2105.07659},
year = {2021}
}
备注
17 pages, 4 figures, 4 tables