今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

基于深度学习的N6-甲基腺嘌呤位点识别:通过混合特征融合与SHAP驱动的特征选择方法

《Scientific Reports》:Deep learning-based identification of N6-methyladenine sites via hybrid feature fusion and SHAP-driven feature selection

【字体: 大 中 小 】 时间:2026年05月19日 来源:Scientific Reports 3.9

编辑推荐:

   摘要 N6-甲基腺嘌呤(6-methyladenine,简称6mA)是一种关键的表观遗传修饰,参与基因调控、基因组稳定性和细胞适应。准确识别6mA位点对于阐明表观遗传机制和推进疾病相关研究至关重要。然而,现有方法往往受到特征表示有限和可解释性差的限制,这阻碍了

  

摘要

N6-甲基腺嘌呤(6-methyladenine,简称6mA)是一种关键的表观遗传修饰,参与基因调控、基因组稳定性和细胞适应。准确识别6mA位点对于阐明表观遗传机制和推进疾病相关研究至关重要。然而,现有方法往往受到特征表示有限和可解释性差的限制,这阻碍了其在不同基因组环境中的预测性能和泛化能力。为了解决这些问题,我们提出了一种基于深度神经网络(DNN)的新框架,该框架整合了最优的混合特征,以实现稳健且可解释的6mA位点识别。该框架采用了一种全面的多特征提取策略来捕捉DNA中的复杂序列级模式,并将这些模式融合成一个统一的混合表示。为了提高模型的效率和可解释性,我们应用了Shapley加性解释(SHAP)方法进行特征重要性分析,从而选择出对下游分类最具区分性的特征。然后将优化后的特征集输入DNN分类器,以准确预测6mA位点。通过5折交叉验证评估,该模型在F. vesca和R. chinensis数据集上的训练准确率分别为97.95%和96.15%。在独立的测试数据集上,模型的准确率分别为97.10%(F. vesca)和95.32%(R. chinensis),显示出较强的泛化能力。这些结果证明了所提出的框架是一种准确、可靠且可解释的计算工具,适用于全基因组范围内的6mA位点识别,具有广泛的表观遗传研究及其他领域的应用潜力。
相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:深度神经网络|混合特征提取|基因调控|可解释性验证|F. vesca|泛化能力

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号