GraSSRep：基于图的自监督学习用于宏基因组组装中的重复序列检测
机器学习
2024-02-15 v1
摘要
重复DNA（重复序列）对准确高效的基因组组装和序列比对构成了重大挑战，尤其是在宏基因组数据中，水平基因转移、基因复制和基因丢失/获得等基因组动态过程使得从宏基因组群落中进行准确基因组组装变得复杂。检测重复序列是克服这些挑战的关键第一步。为解决此问题，我们提出GraSSRep，一种新颖的方法，通过图神经网络（GNN）在自监督学习框架内利用组装图的结构，将DNA序列分类为重复和非重复类别。具体而言，我们将此问题框架化为宏基因组组装图中的节点分类任务。以自监督方式，我们依赖高精度（但低召回率）的启发式方法为少量节点生成伪标签，然后使用这些伪标签训练GNN嵌入和随机森林分类器，将标签传播到其余节点。通过这种方式，GraSSRep将测序特征与预定义和学习的图特征相结合，在重复序列检测中实现了最先进的性能。我们使用模拟和合成宏基因组数据集评估了该方法。模拟数据的结果凸显了GraSSRep对重复属性的鲁棒性，展示了其在处理重复序列复杂性方面的有效性。此外，在合成宏基因组数据集上的实验表明，引入图结构和GNN增强了我们的检测性能。最后，在比较分析中，GraSSRep在精确率和召回率方面均优于现有的重复序列检测工具。
引用
@article{arxiv.2402.09381,
title = {GraSSRep: Graph-Based Self-Supervised Learning for Repeat Detection in Metagenomic Assembly},
author = {Ali Azizpour and Advait Balaji and Todd J. Treangen and Santiago Segarra},
journal= {arXiv preprint arXiv:2402.09381},
year = {2024}
}