上下文多尺度核苷酸期望密度：面向De Bruijn图生物序列分类的序列特定节点嵌入框架

《BioData Mining》：Adapting multiscale EDN representation into sequence-specific node embeddings for De Bruijn graph learning

　　

摘要

图神经网络（GNNs）已成为利用 De Bruijn 图进行生物序列分类的有效框架，然而节点表示方面相对较少受到关注。尽管多尺度核苷酸期望密度（EDN）能够提供丰富的序列级表示，但由于 De Bruijn 图需要节点级表示，因此无法直接应用于基于图的序列学习。为应对这一挑战，我们提出了上下文多尺度核苷酸期望密度（cMSEDN），这是一个轻量级、确定性的框架，能够将多尺度 EDN 序列表示转化为适用于 De Bruijn 图学习的序列特定节点嵌入，同时保留 k-mer 身份并融入出现级别的上下文信息。与静态 k-mer 编码不同，cMSEDN 聚合出现级别的上下文特征，使得相同的 k-mer 在不同生物序列中能够获得不同的序列特定表示。我们在七个生物序列分类数据集上评估了所提出的框架，涵盖多种物种的转录因子结合预测、启动子识别以及 RNA 亚细胞定位，包括使用 GCN 和 GIN 架构的 DNA 和 RNA 序列分析任务。与传统的上下文无关节点表示、作为静态节点特征提取器的现成基础模型以及静态 EDN 基线相比，cMSEDN 在使用紧凑确定性嵌入的同时，在 De Bruijn 图神经网络的基准测试中始终取得了更优的分类性能。这些结果表明，我们提出的序列特定 k-mer 编码是一种有效的、计算轻量级的生物序列图表示方法，适用于序列分类，且无需对底层 GNN 架构进行任何修改。