《IEEE Access》:MTSCCleav: A Multivariate Time Series Classification (MTSC)-Based Method for Predicting Human Dicer Cleavage Sites
编辑推荐:
摘要翻译:微RNA(miRNA)是一类小的非编码RNA(ncRNA),在转录后水平调控基因表达,从而在多种生物学过程中发挥重要作用。miRNA的生物发生需要Dicer在miRNA前体(pre-miRNA)的特定位点进行切割。已有若干机器学习方法被提出用于预测输
摘要翻译:微RNA(miRNA)是一类小的非编码RNA(ncRNA),在转录后水平调控基因表达,从而在多种生物学过程中发挥重要作用。miRNA的生物发生需要Dicer在miRNA前体(pre-miRNA)的特定位点进行切割。已有若干机器学习方法被提出用于预测输入序列是否包含切割位点。然而,这些方法严重依赖复杂的特征工程或不透明的深度神经网络,导致泛化能力不足且运行时间较长。因此,需要一种准确、快速且简单的替代建模范式。研究人员提出了一种将上述任务构建为多元时间序列分类问题的方法。研究引入了九种编码方法,将RNA序列转换为时间序列。预测的二级结构也被转换为时间序列。研究还利用了预测二级结构中碱基对的概率。计算实验表明,所提出的方法在使用更简单、更直观的模型以及更少的计算时间方面,能够取得更好或相当的结果。该方法实现了3.7倍至28.8倍的加速。通过扰动实验,研究人员发现pre-miRNA中心附近的区域对于预测人类Dicer切割位点至关重要。通过将RNA序列及其二级结构信息转换为多元时间序列,并利用简单且先进的时间序列分类器,研究人员以更简单、更快速的方式实现了相当甚至更优的性能。代码可在以下网址获取:https://github.com/colemanyu/time-series-classification-cleavage
论文解读文章
一、研究背景与问题
分子生物学的中心法则描述了遗传信息从DNA经mRNA流向蛋白质的过程。除了编码蛋白质的信使RNA(mRNA)外,还存在一类最终产物为RNA分子的非编码RNA(ncRNA),其中微小RNA(miRNA)和小干扰RNA(siRNA)是两类尤为重要的小型ncRNA。miRNA在转录后水平调控基因表达,参与多种生物学过程。miRNA的生物发生需要经Drosha和DGCR8复合物将初级miRNA(pri-miRNA)剪切为前体miRNA(pre-miRNA),随后由Dicer酶在pre-miRNA的两条臂上识别特定位点并进行切割,产生miRNA双链体。因此,准确预测Dicer切割位点对于理解miRNA生物发生机制具有重要意义。
已有多种机器学习方法被用于预测输入序列是否包含Dicer切割位点,如PHDcleav利用支持向量机(SVM)结合序列和结构特征,LBSizeCleav进一步考虑了环和凸起长度,后续还有基于梯度提升机的集成学习方法以及基于深度学习的DiCleave模型。然而,这些方法存在明显局限:一方面严重依赖复杂的特征工程或不透明的深度神经网络,导致泛化能力不足;另一方面运行时间较长,难以适应大规模数据。因此,需要一种准确、快速且简单的替代建模范式。
二、研究内容与结论
针对上述问题,研究人员提出了一种基于多元时间序列分类(MTSC)的新方法,命名为MTSCCleav,用于预测人类Dicer切割位点。该方法的创新之处在于将RNA序列及其预测的二级结构信息转换为多元时间序列,并利用先进的时间序列分类器进行分类。研究使用了miRBase数据库中经实验验证的827条人类pre-miRNA序列,每条序列包含5p臂和3p臂,并据此构建了三个数据集:“5p臂”、“3p臂”和“多类”数据集。
研究得出以下主要结论:第一,将RNA序列和二级结构信息转换为多元时间序列并采用简单的时间序列分类器,能够取得与现有最优方法(SOTA)相当甚至更优的预测性能;第二,该方法在计算效率上具有显著优势,实现了3.7倍至28.8倍的加速;第三,通过扰动实验发现,pre-miRNA中心附近的区域对于预测人类Dicer切割位点至关重要,这一发现与已有研究一致。论文发表在《IEEE Access》。
三、主要关键技术方法
研究人员采用了以下主要技术方法:(1)数据来源于miRBase数据库,筛选出827条来自人类(Homo sapiens)且具有实验证据支持的pre-miRNA序列;(2)利用ViennaRNA包中的RNAfold工具预测二级结构,获得点括号表示和碱基对概率矩阵;(3)提出九种编码方法,将RNA序列及其互补链转换为单变量或多变量时间序列,这些编码方法包括单值映射、累积映射、分组变长通道映射、分组定长通道映射、全局累积映射、局部累积映射等,并可整合碱基对概率信息;(4)将二级结构的点括号表示转换为时间序列;(5)采用五种基于卷积核的时间序列分类器,包括ROCKET、MiniROCKET、MultiROCKET、MultiROCKET-Hydra和Hydra,并配合岭分类器(Ridge Classifier)进行分类;(6)使用5折交叉验证评估模型性能,并采用准确率(Acc)、特异性(Sp)、敏感性(Sn)、F1分数(F1)和马修斯相关系数(MCC)五个标准指标。
四、研究结果
1. 通道重要性研究
研究人员设计了四种输入配置:基线(仅RNA序列时间序列)、基线+二级结构时间序列、基线+碱基对概率(作为独立通道)、基线+碱基对概率(整合到互补链编码中)。通过临界差异(CD)图分析发现,加入二级结构时间序列和碱基对概率独立通道能够显著提升分类性能。将碱基对概率整合到互补链编码中也能改善结果,但提升幅度小于将其作为独立通道。最终采用RNA序列时间序列(2至4个通道)、二级结构时间序列(1个通道)和碱基对概率时间序列(1个通道)组成的多元时间序列作为输入,共4至6个通道。
2. 预测性能比较
在三个数据集上,研究者组合了九种编码方法和五种分类器,共45种组合。结果表明,对于5p臂数据集、3p臂数据集和多类数据集,最佳组合均为“全局累积分组定长通道映射+ROCKET”。在5p臂数据集和多类数据集上,该组合在所有五个评估指标上均优于现有最优方法DiCleave;在3p臂数据集上,除特异性外,其余四个指标均优于DiCleave。CD图分析显示,ROCKET是所有数据集上表现最好的分类器,而编码方法方面,5p臂数据集上最优为enc 9(全局累积分组变长通道映射),其他数据集上最优为enc 7(全局累积分组定长通道映射)。
3. 运行时间分析
在同一台配备Apple M1 Pro芯片和16 GB内存的个人笔记本电脑上,使用相同的5折交叉验证数据划分,比较了MTSCCleav与DiCleave的运行时间。结果显示,MTSCCleav在5p臂、3p臂和多类数据集上分别实现了平均27.0倍、3.7倍和10.7倍的加速。若采用计算效率最高的MiniROCKET,在3p臂和多类数据集上可实现16.1倍和28.8倍的加速。DiCleave作为深度学习方法需要大量模型推理时间,而MTSCCleav利用高效的基于ROCKET的分类器,显著降低了运行时间,更适合大规模数据和实时应用。
4. 子序列重要性分析
为评估输入多元时间序列中各子序列的重要性,研究人员进行了扰动实验,采用掩码窗口(窗口长度设为4,约为整个序列长度的三分之一)依次遮蔽时间序列各位置的跨通道信息,并记录分类准确率的变化。由于累积映射会泄漏掩码区域的信息,该实验采用“分组定长通道映射”作为编码方法,ROCKET作为分类器。结果显示,在5p臂数据集中,遮蔽尾部子序列导致重要性分数显著下降;在3p臂数据集中,遮蔽前导子序列导致重要性分数显著下降。这些重要区域靠近pre-miRNA二级结构的中心,表明中心区域对于人类Dicer切割位点预测更为关键。
五、总结与讨论
讨论部分指出,通道重要性研究表明二级结构信息的加入能够提高准确率,说明RNA折叠在Dicer加工过程中具有重要作用。碱基对概率序列作为附加通道比整合到编码中能更有效地提升准确率,这可能是因为独立通道保留了概率序列和互补链的更多信息。五种分类器中ROCKET表现最优,而MultiROCKET中新增的池化操作(如正值均值MPV、正值索引均值MIPV和正值最长连续跨度LSPV)可能混淆了最终分类器,ROCKET独有的最大池化(MAX)则有助于提升性能。编码方法方面,定长分组通道映射优于变长对应方法,因其更好地保留了核苷酸在序列中的原始位置信息;全局累积方法优于局部累积方法,表明切割位点上游信息对识别至关重要;基于累积的编码优于单值映射,说明累积的核苷酸信号比局部或孤立的核苷酸存在更具信息量。DiCleave的一个局限是数据集较小容易过拟合,而MTSCCleav采用的ROCKET方法结合岭分类器,由于L2正则化和线性模型的简洁性,对数据量的需求较低,在小数据集上仍能保持较强性能。
研究结论部分翻译如下:研究人员提出了一种准确、快速且简单的基于多元时间序列分类(MTSC)的方法,命名为MTSCCleav,用于预测人类Dicer切割位点。二级结构的碱基对概率序列也被用于分类。MTSCCleav由三个部分组成:时间序列编码、时间序列转换和分类。采用基于ROCKET的方法进行时间序列转换,采用岭分类器进行分类。在计算实验中,研究人员评估了九种时间序列编码方法和五种时间序列转换方法的组合。MTSCCleav在5p臂和多类数据集上的全部五个评估指标以及3p臂数据集上的四个指标上均优于现有最优方法。在计算效率方面,采用最优设置的MTSCCleav在三个数据集上比现有最优方法实现了平均3.7倍至27.0倍的加速。当使用精度稍低但速度更快的时间序列分类方法时,MTSCCleav分别实现了16.1倍至28.8倍的平均加速。研究人员分析了输入多元时间序列的子序列重要性,结果表明pre-miRNA序列中心附近的子序列更为重要,这与先前研究的发现一致。该研究表明,时间序列分析为RNA加工背景下的传统建模提供了强有力的替代方案,这一框架可扩展到其他RNA加工任务。值得注意的是,将RNA序列编码为时间序列使得研究人员能够利用时间序列领域中任何成熟的工具。