MEDNA-DFM：一种用于可解释 DNA 甲基化预测的双视图 FiLM-MoE 模型
机器学习
2026-02-27 v1 人工智能
摘要
准确地计算 DNA 甲基化的计算识别对于理解表观遗传调控至关重要。虽然深度学习在该二进制分类任务中表现出色，但其“黑箱”本质阻碍了生物学洞见。我们通过引入高性能模型 MEDNA-DFM 以及机制启发的信噪净化算法来解决此问题。我们的研究表明，MEDNA-DFM 有效捕获保守的甲基化模式，实现对多种物种的稳健区分。验证于外部独立数据集确认，模型的泛化性由保守的内在 Motif（例如 GC 含量）而非系谱接近性驱动。此外，我们开发的算法提取的 Motif 远优于先前研究。最后，来自 Drosophila 6mA 案例研究的经验证据促使我们提出“序列-结构协同”假设，表明 GAGG 核心 Motif 与上游 A-链元件协同工作。我们进一步通过体外突变实验验证了此假设，确认删除任一或两者元素会显著降低模型的识别能力。这一工作为甲基化预测提供了强大工具，证明了可解释深度学习如何推动方法学创新以及生物学假设的生成。
引用
@article{arxiv.2602.22850,
title = {MEDNA-DFM: A Dual-View FiLM-MoE Model for Explainable DNA Methylation Prediction},
author = {Yi He and Yina Cao and Jixiu Zhai and Di Wang and Junxiao Kong and Tianchi Lu},
journal= {arXiv preprint arXiv:2602.22850},
year = {2026}
}