编辑推荐:
细胞色素c氧化酶亚基I(COI)DNA条形码被广泛用于物种鉴定和生物多样性研究。然而,COI数据集表现出高的种内相似性和显著的种间不平衡,这限制了序列分析。为了解决数据稀缺问题,基于深度学习的生成模型已被探索用于序列生成。研究人员实现了六种生成模型,包括门控循
细胞色素c氧化酶亚基I(COI)DNA条形码被广泛用于物种鉴定和生物多样性研究。然而,COI数据集表现出高的种内相似性和显著的种间不平衡,这限制了序列分析。为了解决数据稀缺问题,基于深度学习的生成模型已被探索用于序列生成。研究人员实现了六种生成模型,包括门控循环单元(GRU)层、Transformer块和卷积层,以生成四个分类群(Cypraeidae、Drosophila、Bats和Birds)的物种特异性COI序列。生成的序列在合理性、系统发育一致性和多样性方面进行了评估。最终,基于GRU的自回归语言模型取得了最佳性能。它保留了与真实数据一致的密码子水平结构,GC3含量差异(Δ)≤0.004,密码子偏好JSD≤0.013,开放阅读框(ORF)平均长度差异(Δ)<0.05。它还重现了遗传结构,种内K2P平均差异(Δ)≤0.13,真实-合成K2P平均≤0.09,条形码间隙率差异(Δ)≤?0.6。此外,它生成的序列冗余最小,表现为JSD-kmer≤0.03,Self-BLEU差异(Δ)≤0.001,AA值介于0.54和0.75之间。这些结果表明,基于GRU的COI序列生成可以作为解决生物信息学应用中数据稀缺和不平衡问题的稳健模拟策略。
物种鉴定是生物学研究的基础,但传统形态学方法在样本受损或缺乏形态特征时存在明显局限。基于线粒体细胞色素c氧化酶亚基I(COI)基因的DNA条形码技术已成为标准化的分子鉴定工具,广泛用于物种鉴定和生物多样性研究。近年来,深度学习方法被引入COI数据分析,如DeepBarcoding和BarcodeBERT等分类模型,然而现有研究主要聚焦于分类任务,而COI数据集本身存在严重的类不平衡:部分物种有数百个样本,另一些物种仅有一两个样本,形成长尾分布,导致深度学习模型过拟合和泛化性能下降。此外,COI序列种内变异小、种间边界窄,进一步增加了误分类风险。为解决数据稀缺和类不平衡问题,需要开发能够扩展物种特异性数据分布并保留真实序列生物学特征的合成数据生成方法。尽管生成模型在基因组、蛋白设计等领域已有应用,但针对COI条形码序列的生成模型研究尚属空白。因此,研究人员开展了一项基准研究,以探索最适合COI序列生成的深层架构。
研究人员构建了六种深度生成模型,包括基于门控循环单元(GRU)的自回归语言模型(ARLM)、基于Transformer的ARLM、基于卷积的变分自编码器(VAE)、基于GRU的VAE、Wasserstein生成对抗网络(WGAN)和潜在扩散模型(LDM),并以N-gram概率模型作为传统基准,在Cypraeidae、Drosophila、Bats和Birds四个数据集上生成物种特异性COI序列。通过多维评估框架,包括生物学合理性、种内/种间结构保真度和多样性,发现基于GRU的ARLM在所有指标上表现最优,能够生成保留密码子结构和遗传结构的序列,且冗余度低。该模型可作为数据稀缺条件下稳健的模拟策略,为生物信息学应用提供支持。
研究数据来源于公开的DNA条形码数据集(http://dmb.iasi.cnr.it/supbarcodes.php),包括无脊椎动物Cypraeidae、Drosophila和脊椎动物Bats、Birds。预处理步骤包括字符归一化(IUPAC简并碱基转化为N)、过滤短于300 bp的序列、每个物种至少3条序列、基于开放阅读框(ORF)的方向校正、质量控制(排除含内部终止密码子、N比例≥5%、翻译长度≤100 aa等序列)、MAFFT多序列比对以提取核心条形码区段,以及数据重平衡。模型训练采用统一的超参数设置(初始学习率0.001、100轮、批大小16),使用Adam优化器和余弦学习率衰减。评估方面,采用GC
3含量差异(Δ)、密码子偏好JSD、ORF平均长度差异评估生物学合理性;采用种内K2P距离、真实-合成K2P距离、条形码间隙率评估系统发育保真度;采用k-mer分布JSD、Self-BLEU和最近邻对抗准确率(AA)评估多样性。此外,还通过Shannon熵分布、PCA-UMAP可视化、3-mer频率散点图、内部/外部系统发育一致性分析以及基于随机森林(RF)的分类增强实验进行验证。
在“评估深度生成DNA模型中的生物学合理性”部分,研究人员比较了七个模型在四个数据集上的GC
3含量差异、密码子偏好JSD和ORF平均长度差异,发现GRU-based ARLM在所有指标上偏差最小,表明其能有效保留密码子结构和阅读框;而卷积基模型和N-gram保留能力较差。Shannon熵分析进一步显示,GRU-based ARLM和GRU-based VAE能准确复制真实序列的保守/可变区域模式,而Transformer-based ARLM倾向于过度收敛,WGAN则表现出较高的熵偏差。
在“维持系统发育和种群水平保真度”部分,通过计算种内K2P距离、真实-合成K2P距离和条形码间隙率,发现GRU-based ARLM在所有数据集中均获得最低差异,其合成序列位于真实遗传空间内且保持种内多样性;N-gram和LDM则导致种间距离结构崩溃。PCA-UMAP可视化证实,GRU-based模型能重现真实数据的聚类分布和种间距离,而其他模型存在过度分散或重叠。
在“通过合成序列生成模拟生物多样性”部分,采用3-mer分布JSD、Self-BLEU和AA指标评估多样性,GRU-based ARLM和GRU-based VAE在四个数据集上均获得接近0的JSD和Self-BLEU差异,AA值介于0.5–0.7,表明它们能在保持真实局部模式的同时降低冗余;N-gram、Transformer-based ARLM和WGAN的AA值接近1,显示生成序列与真实数据明显偏离;Conv-based VAE和LDM则完全无法复现真实序列的构成特征。
在“生成数据的内部和外部验证结果”部分,内部验证中,GRU-based ARLM的合成序列在构建的最大似然树中约有80%被放置在对应真实类群的最近共同祖先(MRCA)进化支内,是随机标签分配预期值的22.6倍,而GRU-based VAE和LDM的放置率接近随机水平。外部验证中,将GRU-based ARLM生成的序列与从BOLD(Barcode of Life Data Systems)数据库获取的翼手目和果蝇科参考序列比对并重建系统树,结果显示合成序列与真实参考序列在系统发育上具有一致性。
在“合成数据增强对基于COI条形码的物种分类的影响”部分,在每物种仅保留一条真实序列作为训练参考的极端数据稀缺条件下,使用随机森林(RF)分类器,发现将GRU-based ARLM生成的合成数据加入训练集后,四个数据集的分类准确率和宏平均F1分数均得到提升,其中Birds数据集的准确率提高了27.2个百分点,表明合成数据增强能有效改善物种分类性能。
讨论中,研究人员指出GRU-based模型在所有数据集上能有效统计复制物种特异性模式。所有模型均出现负的条形码间隙率差异,表明合成数据分布扩大导致种间区分度下降。Transformer-based ARLM虽能学习全局模式,但无法捕捉密码子水平约束;卷积基模型和LDM在稀有模式复现和密码子结构保持上能力有限。模型性能排序为GRU-based ARLM > GRU-based VAE > Transformer-based ARLM ≈ WGAN > Conv-based VAE > LDM。传统N-gram仅能复制频率,不能捕捉物种特异性。GRU模型通过循环架构保持了核苷酸连续性和阅读框,且在小数据集上表现稳健。实际应用中,GRU-based ARLM生成的序列在内部验证中达到约80%的进化支内比例,外部BOLD参考数据库比对也显示一致的系统发育位置;在使用单条真实序列每物种的极低样本条件下,合成数据增强将Birds数据集分类准确率提高27.2个百分点。
结论中,研究指出COI条形码序列是物种鉴定和生物多样性研究的常用生物标志物,但存在种内相似性高、数据不平衡等问题。传统统计方法仅关注核苷酸频率,无法反映生物学特征。生成模型可生成高质量合成数据。通过比较,GRU-based ARLM和GRU-based VAE在保留种内多样性、种间区分结构和密码子水平模式的同时,生成了冗余最小的多样性序列。这些模型可作为解决数据稀缺的新模拟方法,尤其GRU-based ARLM参数少,适合资源受限环境。未来将使用更大规模的分类数据集并加强生物信息约束,以提高合成COI数据的准确性。