GCBLANE：用于改进转录因子结合位点预测的图增强卷积双向 LSTM 注意力网络
机器学习
2025-03-18 v1 基因组学
定量方法
摘要
识别转录因子结合位点 (TFBS) 对理解基因调控至关重要，因为这些位点使转录因子 (TF) 能够结合 DNA 并调控基因表达。尽管高通量测序技术取得了进展，但准确识别 TFBS 仍然具有挑战性 due to the vast genomic data and complex binding patterns。GCBLANE 是一种图增强卷积双向长短期记忆 (LSTM) 注意力网络，旨在解决此问题。它将卷积、多头注意力和循环层与图神经网络集成，以检测 TFBS 预测的关键特征。在 690 个 ENCODE ChIP-Seq 数据集上，GCBLANE 实现了平均 AUC为 0.943，在 165 个 ENCODE 数据集上达到 AUC为 0.9495，优于利用多模态方法（包括 DNA 形状信息）的高级模型。该结果凸显了 GCBLANE 相对于其他方法的有效性。通过将基于图的学习与序列分析结合，GCBLANE 显著推进了 TFBS 预测。
引用
@article{arxiv.2503.12377,
title = {GCBLANE: A graph-enhanced convolutional BiLSTM attention network for improved transcription factor binding site prediction},
author = {Jonas Chris Ferrao and Dickson Dias and Sweta Morajkar and Manisha Gokuldas Fal Dessai},
journal= {arXiv preprint arXiv:2503.12377},
year = {2025}
}