深度基序仪表板：利用深度神经网络可视化与理解基因组序列
机器学习
2016-10-20 v4 计算机视觉与模式识别
神经与进化计算
摘要
深度神经网络(DNN)模型最近在转录因子结合(TFBS)位点分类任务上取得了最先进的预测精度。然而，这些方法如何识别有意义的DNA序列信号并揭示TF为何结合于特定位置仍不清楚。本文提出一种称为深度基序仪表板(DeMo Dashboard)的工具包，提供一套可视化策略，从用于TFBS分类的深度神经网络模型中提取基序或序列模式。我们展示了如何可视化和理解三种重要的DNN模型：卷积、循环以及卷积-循环网络。我们的第一种可视化方法是寻找测试序列的显著图，利用一阶导数描述每个核苷酸在最终预测中的重要性。其次，考虑到循环模型以时间方式（从TFBS序列一端到另一端）进行预测，我们引入时间输出分数，表示模型对顺序输入随时间的预测分数。最后，类别特定可视化策略通过随机梯度优化为给定TFBS正类寻找最优输入序列。实验结果表明卷积-循环架构在三种架构中表现最佳。可视化技术表明CNN-RNN通过建模基序及其间依赖关系进行预测。
引用
@article{arxiv.1608.03644,
title = {Deep Motif Dashboard: Visualizing and Understanding Genomic Sequences Using Deep Neural Networks},
author = {Jack Lanchantin and Ritambhara Singh and Beilun Wang and Yanjun Qi},
journal= {arXiv preprint arXiv:1608.03644},
year = {2016}
}
备注
11 pages, 2 figures. Updated for PSB submission, Pacific Symposium on Biocomputing (PSB) 2017