基于机器学习分析基因组数据对 Perccottus glenii 表型抗冻性的预测
机器学习
2024-10-14 v1
摘要
对 Perccottus glenii 基因组序列的分析——这是已知唯一具备冻抗性的鱼类——对于理解生物体适应极端环境的机制具有重要意义。传统的生物学分析方法耗时且准确率有限。为此，我们将采用机器学习技术对 Perccottus glenii 的基因序列进行分析，以 Neodontobutis hainanensis 为比较群。首先，我们提出了五种基因序列向量化方法以及处理超长基因序列的方法。我们对三种向量化方法——序数编码、One-Hot 编码和 K-mer 编码——进行了比较研究，以识别最佳编码方法。其次，我们构建了四个分类模型：随机森林、LightGBM、XGBoost 和决策树。这四个分类模型的数据集来自国家生物技术信息中心（NCBI）数据库，并使用最佳编码方法 K-mer 对序列矩阵进行向量化。随机森林模型——最佳模型——实现了最高达 99.98% 的分类准确率。最后，我们利用 SHAP 值对最佳分类模型进行可解释性分析。通过十折交叉验证和 AUC 指标，我们识别出对模型分类准确率贡献最大的前 10 个特征。这表明机器学习方法能够有效取代传统的手动分析，以识别 Perccottus glenii 表型抗冻性相关的基因。
引用
@article{arxiv.2410.08867,
title = {Prediction by Machine Learning Analysis of Genomic Data Phenotypic Frost Tolerance in Perccottus glenii},
author = {Lilin Fan and Xuqing Chai and Zhixiong Tian and Yihang Qiao and Zhen Wang and Yifan Zhang},
journal= {arXiv preprint arXiv:2410.08867},
year = {2024}
}
备注
18 pages