基于核苷酸 skip-gram 神经网络的病毒基因组进化特征学习
种群与进化
2017-10-30 v1
摘要
近期研究揭示，即便如病毒般最小的基因组也通过复杂且随机的过程进化，且在多数应用中独立等位基因的假设并不成立。测序技术的进步产生了多点时间全基因组数据，使得这些等位基因间潜在相互作用得以经验性研究。为探究这些相互作用，我们将等位基因表示为分布式向量，编码其在进化过程中与其他等位基因的关系，并将人工神经网络应用于时间采样全基因组数据集以进行特征学习。我们借助源自自然语言处理（NLP）的方法与算法构建此平台，并称之为核苷酸 skip-gram 神经网络。我们利用实验进化数据中肠病毒 11 型在存在或不存在消毒剂时等位基因频率的变化来学习等位基因的分布式向量。使用新开源软件 TensorFlow 训练的结果表明，习得的分布式向量可通过主成分分析与层次聚类进行聚类，从而揭示出与消毒剂适应候选突变相关联、发生于结构蛋白 VP1 上的一系列非同义突变。此外，该方法可通过将相互作用程度设为生物超参数来解释重组率，结果显示跨基因组中等范围相互作用这一最贴近实际的情景与既往研究最为吻合。
引用
@article{arxiv.1710.10229,
title = {Feature learning of virus genome evolution with the nucleotide skip-gram neural network},
author = {Hyunjin Shim},
journal= {arXiv preprint arXiv:1710.10229},
year = {2017}
}
备注
16 pages, 4 figures