《Computational Biology and Chemistry》:EXPSO: A PSO-Based Ensemble Gene Expression Classifier for Plant species Using Histone and chromatin accessiblity data
编辑推荐:
•探索了拟南芥和其他植物物种中组蛋白信号、染色质可及性与基因表达水平之间的关联。•开发了一种基于 PSO 的集成机器学习模型,用于根据多物种组蛋白信号和染色质可及性数据对基因表达进行分类。•开发了 EXPSO,一个用户友好的网络,用于实时基因表达分类和表观基因组学数据分析。•
- •
探索了拟南芥和其他植物物种中组蛋白信号、染色质可及性与基因表达水平之间的关联。
- •
开发了一种基于 PSO 的集成机器学习模型,用于根据多物种组蛋白信号和染色质可及性数据对基因表达进行分类。
- •
开发了 EXPSO,一个用户友好的网络,用于实时基因表达分类和表观基因组学数据分析。
- •
通过特征重要性和可解释性分析,分析了与基因表达相关的关键表观遗传特征 H3K56ac 和 H3K36me3。
引言
植物中的基因表达是一个严格调控的过程,控制着生长、发育、代谢以及对环境信号的响应。在多种调控机制中,转录受到染色质结构的强烈影响,该结构决定了 DNA 对转录机制的可及性 (LI et al., 2007)。在植物中,染色质结构通过甲基化和乙酰化等组蛋白修饰进行动态调控,这些修饰可以通过改变染色质可及性和招募调节蛋白来激活或抑制基因表达。这些表观遗传标记在调控植物发育和环境适应中起着核心作用 (To and Kim, 2014, Pfluger and Wagner, 2007)。
全基因组研究表明,组蛋白修饰和染色质可及性与转录活性密切相关。活性组蛋白标记如 H3K4me3 和 H3K36me3 与基因激活有关,而 H3K27me3 与转录抑制有关 (LIU et al., 2010; ROUDIER et al., 2011)。结合通过 ATAC-seq 获得的染色质可及性信息,这些表观基因组学特征提供了转录调控的全面视图 (Strahl and Allis, 2000, Buenrostro et al., 2013)。
传统统计方法,如线性回归和相关性分析,已被广泛用于研究染色质特征与基因表达之间的关系 (Karli? et al., 2010, Shafiq et al., 2014)。然而,这些方法受限于线性和独立性假设,而染色质介导的基因调控涉及多个特征之间复杂的非线性相互作用。因此,将基因表达二分类为高表达和低表达状态,为应用机器学习 (ML) 方法来模拟转录调控提供了一个有效的框架。
表观基因组学的最新进展使得机器学习方法能够用于基因表达预测。CHENG 等人 (2011) 使用支持向量机 (SVM) 基于组蛋白修饰和 ChIP-seq 数据对 C. elegans 中的基因表达进行分类,确定 TSS 和转录终止位点附近的区域最具预测性。然而,这种方法在捕捉连续调控动态方面存在局限性。DONG 等人 (2012) 使用随机森林模型根据染色质特征将基因分类为“开启”或“关闭”,并应用"bestbin"策略结合线性回归进行量化;然而,对预定义阈值的依赖和缺乏特征优化限制了其通用性。深度学习方法显著提高了从表观基因组学数据预测基因表达的能力。SINGH 等人 (2016) 开发了 DeepChrome,这是一种基于卷积神经网络 (CNN) 的模型,能够捕捉 TSS 区域周围的组合组蛋白模式,并优于传统方法,但它需要大型数据集且缺乏可解释性。为了解决这个问题,FRASCA 等人 (2022) 引入了 ShallowChrome,它使用更简单的特征表示提高了可解释性;然而,它没有整合多模态表观基因组学数据。AttentiveChrome (SINGH et al., 2017) 采用分层注意力架构来识别与基因表达相关的重要组蛋白修饰和基因组区域。虽然它增强了可解释性,但其高昂的计算成本和依赖大型数据集可能会限制其通用性。
这些模型主要是基于人类和动物数据集开发和测试的,对植物系统的关注有限。为了弥补这一差距,我们开发了一种基于 PSO(粒子群优化)的机器学习框架,该框架整合了染色质可及性和组蛋白修饰信号,用于植物中的基因表达分类。该框架使用 Arabidopsis thaliana 进行训练,并在多种植物物种中进行验证,以评估其鲁棒性和多物种适用性。
本研究做出了以下主要贡献:
• 开发了一种基于 PSO 的框架,利用整合的染色质可及性和组蛋白修饰特征进行基因表达分类。
• 通过特征重要性和可解释性分析,识别了与基因表达相关的关键表观遗传特征。
章节摘要
数据集描述
本研究使用的高通量测序数据集来自基因表达综合数据库 (GEO),登录号为 GSE128434,以及 NCBI 序列读取档案 (SRA),项目登录号为 PRJNA527732 (Lu et al. 2019)。这些数据集是作为一个大型比较植物表观基因组学项目的一部分生成的,旨在表征不同植物物种中的染色质可及性、组蛋白修饰和顺式调控元件。该研究采用了 ATAC-seq,
跨植物物种的数据集预处理和基因过滤
如表 2 和图 3 所示,在模型训练前应用了几个预处理和质量控制步骤。移除了包含缺失值、不一致注释、转换错误或极端异常信号基因的基因,以确保数据可靠性并减少下游分析中的噪声。此外,排除了叶绿体和线粒体相关基因,因为这些细胞器基因组与...拥有独特的调控机制和表观遗传模式
讨论与结论
随着生物信息学和计算方法的迅速发展 (LIBBRECHT and NOBLE, 2015; CHING et al., 2018),涌现了许多基于机器学习的方法,并被广泛应用于研究染色质可及性、组蛋白修饰模式和基因表达之间的关系。在本研究中,我们提出了一种基于 PSO 的集成模型,使用整合的表观基因组学数据进行基因表达分类。与大多数现有的表达预测模型不同,这些模型
未引用参考文献
(Chen et al., 2018, Lv et al., 2026, Maccallum et al., 2002, Nakisa et al., 2014, Nordberg et al., 2014, Poli et al., 2007, Trelea, 2003)
资金
本研究未获得公共、商业或非营利部门的资助机构的任何特定赠款。
CRediT 作者贡献声明
Sunil Archak: 写作 – 审阅与编辑,监督,项目管理,调查,形式分析。 Dwijesh Chandra Mishra: 写作 – 审阅与编辑,监督,调查,形式分析。 Sneha Murmu: 写作 – 审阅与编辑,验证,监督,方法论,概念化。 HS Sowmya: 写作 – 原创草稿,软件,方法论,形式分析,数据整理,概念化。
写作过程中生成式人工智能和人工智能辅助技术的声明
在准备本工作的过程中,作者使用了 ChatGPT (OpenAI) 和 QuillBot 来协助语言编辑、语法纠正、句子重构以及提高稿件的整体清晰度和呈现。在使用这些工具后,作者仔细审查、修改和编辑了内容,并对已发表文章的内容承担全部责任。
竞争利益声明
作者声明他们没有已知的竞争性财务利益或个人关系,这些利益或关系可能影响本文报告的工作。
致谢
作者感谢 ICAR-印度农业统计研究所 (ICAR-IASRI),新德里,以及 ICAR-国家植物遗传资源局 (ICAR-NBPGR),新德里,为开展本工作提供机构支持和研究设施。
HS Sowmya|Sneha Murmu|Dwijesh Chandra Mishra|Sunil Archak