用于预测 DNA/RNA 序列结合特异性的深度学习架构综合评估
机器学习
2019-01-31 v1 定量方法
机器学习
摘要
动机：深度学习架构近来已展现出在预测 DNA 和 RNA 结合特异性方面的能力。现有方法分为三类：一些基于卷积神经网络（CNNs），一些使用循环神经网络（RNNs），另一些依赖结合 CNN 与 RNN 的混合架构。然而，基于已有研究，仍不清楚哪种深度学习架构性能最佳。因此需要对不同方法进行深入分析评估以充分评价其相对优劣。结果：在本研究中，我们对用于预测 DNA 和 RNA 结合特异性的多种深度学习架构进行了系统性探索。为此，我们提出 deepRAM，一个端到端深度学习工具，提供了对新提出及先前提出架构的实现；其全自动模型选择流程使我们能对深度学习架构进行公平且无偏的比较。我们发现，使用 k-mer 嵌入表示序列、卷积层与循环层的架构在模型精度上优于所有其他方法。我们的工作提供了指导方针，可协助实践者针对手头任务选择最佳架构，并对卷积与循环网络所学模型的差异提供了一些见解。特别地，我们发现尽管循环网络提升了模型精度，却以损失模型所学特征的可解释性为代价。可用性与实现：deepRAM 的源代码见 https://github.com/MedChaabane/deepRAM
引用
@article{arxiv.1901.10526,
title = {Comprehensive Evaluation of Deep Learning Architectures for Prediction of DNA/RNA Sequence Binding Specificities},
author = {Ameni Trabelsi and Mohamed Chaabane and Asa Ben Hur},
journal= {arXiv preprint arXiv:1901.10526},
year = {2019}
}