DeepDiff：基于深度学习从组蛋白修饰预测差异基因表达
机器学习
2018-07-12 v1 计算机与社会
机器学习
摘要
从组蛋白修饰信号预测差异基因表达的计算方法，对于理解组蛋白修饰如何通过影响差异基因调控来控制细胞的功能异质性，具有极高的价值。近期的研究要么未能捕捉组合效应对差异预测的影响，要么主要仅聚焦于细胞类型特异性分析。本文中，我们提出了一种新颖的基于注意力的深度学习架构 DeepDiff，它提供了一个统一且端到端的方案，用于建模并解释组蛋白修饰之间的依赖关系如何控制基因调控的差异模式。DeepDiff 使用多层长短期记忆（LSTM）模块的层次结构来编码输入信号的空间结构，并自动建模各种组蛋白修饰如何协作。我们引入并与目标预测联合训练了两级注意力，使 DeepDiff 能够差异性地关注相关修饰，并为每种修饰定位重要的基因组位置。此外，DeepDiff 引入了一种新颖的基于深度学习的多任务公式，将细胞类型特异性基因表达预测用作辅助任务，从而在我们的差异表达预测主任务中鼓励更丰富的特征嵌入。利用来自 Roadmap Epigenomics Project (REMC) 的十种不同细胞类型对的数据，我们表明 DeepDiff 在差异基因表达预测上显著优于最先进的基线方法。学习到的注意力权重通过先前关于表观遗传机制如何与差异基因表达相关联的研究观察得到了验证。代码与结果可在 \url{deepchrome.org} 获取。
引用
@article{arxiv.1807.03878,
title = {DeepDiff: Deep-learning for predicting Differential gene expression from histone modifications},
author = {Arshdeep Sekhon and Ritambhara Singh and Yanjun Qi},
journal= {arXiv preprint arXiv:1807.03878},
year = {2018}
}