SICD6mA: 使用深度记忆网络识别6mA位点.
0. TL; DR
SICD6mA 基于记忆机制 (memory mechanism)，核心是一个基于门控循环单元 (GRU) 的深度记忆网络。它通过巧妙地堆叠双向 GRU (BGRU)、转置操作 (transpose operation) 和简单门控循环单元 (Simple Gated Recurrent Units, SGRU)，实现了对序列特征的深度提取和学习。
在独立测试评估中，SICD6mA 在人类和水稻基因组上分别取得了0.9824和0.9903的 AUC 值。在跨物种基因组上的成功预测率也高于现有的先进方法。
1. 背景介绍
DNA N6-甲基腺嘌呤 (6mA) 是指腺嘌呤第六位氮原子上的甲基化，是原核生物基因组中最常见的 DNA 修饰。过去，人们曾认为它在包括人类在内的真核生物中不存在。然而，随着高通量测序技术的发展，大量的 6mA 修饰在多种多细胞真核生物中被发现。
近年来，6mA 修饰被发现是 DNA 表观遗传修饰中的一个重要角色，在调控基因表达、种系细胞分化等方面发挥着至关重要的作用。更重要的是，基于 CpG 岛甲基化的异质性，可以区分不同类型的癌细胞和正常细胞，这使得 6mA 位点在人类肿瘤发生中的潜在功能和临床价值备受关注。然而，由于 6mA 在高级真核生物中表达量低、分布不均，对其生物学功能的理解仍不全面。因此，在全基因组上表征其位置，对于理解表观遗传修饰过程至关重要。
尽管存在多种实验技术（如单分子实时测序 (SMRT)）来检测 6mA 位点，但它们通常成本高昂、操作复杂且耗时。因此，开发快速、准确的计算方法来识别 6mA 位点，以满足大规模初步筛选的需求，显得尤为必要。
目前，针对 6mA 位点的计算预测方法仍处于起步阶段。已有一系列预测工具被报道，如 iDNA6mA-PseKNC (针对小鼠), i6mA-Pred, MM-6mAPred, SNNRice6mA (大多针对水稻)。然而，这些工具大多受限于计算资源，并且缺乏针对人类和水稻的大规模、高质量数据集，导致其预测性能和准确性有待提高。
为了解决这些问题，作者在这项研究中提出了 SICD6mA。该方法基于一个新颖的深度学习模型和两个新构建的大规模基准数据集（人类和水稻），旨在更准确地预测 6mA 位点，并为未来的跨物种基因组研究提供便利。
2. SICD6mA方法
2.1 数据集收集与生成
作者构建了两个大规模的单物种基准数据集（人类和水稻）和一个跨物种预测数据集。
人类 6mA 阳性序列来源于 GEO 数据库 (GSE104475)；水稻阳性序列来源于 eRice 网站。
所有序列长度均为41 nt，中心为腺嘌呤(A)。使用 CD-HIT-EST (80%) 去除冗余序列。从相应的参考基因组中随机抽取非 6mA 的、以A为中心的序列作为阴性样本，并确保其与阳性序列不重复。将数据集按8:2的比例随机划分为训练集和独立测试集。
2.2 序列表示：3-mer ID 特征
与传统的独热编码或复杂的理化性质编码不同，SICD6mA 采用了一种简单而高效的 3-mer ID 编码方法。
首先，根据核苷酸的理化性质（环结构、官能团、氢键），将 A, G, C, T 四种碱基分别编码为 (1,1,1), (1,0,0), (0,1,0), (0,0,1)。如果将这些二进制向量看作三位二进制数，它们对应的十进制数分别为7, 4, 2, 1。但为了简化，作者直接将 A, G, C, T 按顺序编码为整数 1, 2, 3, 4。
将每三个连续的核苷酸作为一个单元（一个 3-mer），并将其三个整数编码按顺序拼接成一个三位数。例如，TAG 被编码为 412。一个长度为 $n$ 的序列通过这种方式被转换为一个由 $n$ 个整数组成的向量，即 3-mer ID 特征。
2.3 SICD6mA 模型构建
SICD6mA 模型是一个基于记忆网络 (Memory network) 思想的深度学习架构，它通过堆叠不同类型的 GRU 层来提取特征。
首先，将输入的 3-mer ID 整数向量通过一个嵌入层，将每个整数映射为一个125维的浮点数向量，从而得到一个 $n \times 125$ 的数值矩阵。
双向 GRU (BGRU) 层由两个方向相反的 GRU 网络组成，用于从嵌入矩阵中学习并提取第一级特征图。GRU 通过其更新门 $z_t$ 和重置门 $r_t$ 来控制信息的流动，能够有效地捕捉序列中的长程依赖关系。
\[\begin{align*} z_t &= \sigma(x_t \cdot U_z + h_{t-1} \cdot W_z) \\ r_t &= \sigma(x_t \cdot U_r + h_{t-1} \cdot W_r) \\ \tilde{h}_t &= \tanh(x_t \cdot U_h + (r_t * h_{t-1}) \cdot W_h) \\ h_t &= (1-z_t) * h_{t-1} + z_t * \tilde{h}_t \end{align*}\]作者对 BGRU 输出的特征图进行转置操作，这类似于在图像处理中，对图像进行旋转，从而能够从不同的视角提取特征。转置后的特征图被送入一个标准的（非双向的）GRU 层，用于提取第二级特征图。
简单 GRU (SGRU) 层是作者特别设计的一个简化的 GRU 层。它只包含一个衰减系数（由 sigmoid 函数生成）和一个候选记忆（由 tanh 函数生成），其第一印象不受先前记忆的干扰。这种设计有助于发现序列特征之间更细微的差异。
\[\begin{align*} z_t &= \sigma(x_t \cdot W_z) \\ \tilde{h}_t &= \tanh(x_t \cdot W_h) \\ h_t &= z_t * \tilde{h}_t \end{align*}\]SGRU 层的输出被送入两个全连接层（FC1, FC2），并最终通过 log_softmax 函数生成预测得分。
3. 实验分析
作者对 SICD6mA 的性能进行了全面的评估，包括交叉验证和与现有方法的比较。
3.1 交叉验证性能评估
作者在人类和水稻两个训练集上进行了5折交叉验证。
- 图 A (ROC 曲线): SICD6mA 在人类和水稻数据集上的 AUC 值分别高达0.9813和0.9897。两条 ROC 曲线都非常平滑且紧贴左上角，表明模型性能优异且稳定。
- 图 B (PR 曲线): SICD6mA 在人类和水稻数据集上的 AP 值（PR 曲线下面积）也分别达到了0.9822和0.9881。由于数据集是平衡的，PR 曲线同样表现出优异的性能。
3.2 在独立测试集上的性能比较
作者在独立测试集上，将 SICD6mA 与四种现有的先进方法（i6mA-DNCP, MM-6mAPred, SNNRice6mA, csDMA）进行了比较。
- 图 A (人类数据集 ROC) 和 图 B (水稻数据集 ROC): 在两个物种上，SICD6mA 的 ROC 曲线都位于所有其他方法的上方，其 AUC 值也是最高的（人类0.9824，水稻0.9903）。
- 图 C (人类数据集 PR) 和 图 D (水稻数据集 PR): 同样，SICD6mA 的 PR 曲线也是最优的，其 AP 值在两个数据集上都取得了最高。
作者在三个不同的特异性阈值（高: 95%, 中: 90%, 低: 80%）下，比较了各个模型的性能指标。在所有阈值下，SICD6mA 的 Acc, Sn, F1-score, MCC 等关键指标几乎都全面优于其他四种方法。这表明，SICD6mA 不仅整体性能优越，而且能够在保持高特异性的同时，实现高灵敏度，有效降低了假阳性率。
与依赖传统机器学习和手工特征的方法相比，SICD6mA 通过其独特的深度记忆网络架构和高效的 3-mer ID 编码，展现出了压倒性的优势。
3.3 跨物种识别 6mA 位点的性能比较
为了验证模型的泛化能力，作者将在人类和水稻数据集上训练好的模型，直接用于预测其他七个物种（拟南芥、果蝇、草莓等）的 6mA 位点。
综合两个训练集的结果，SICD6mA 在七个物种中的六个上都取得了最高的成功预测率，其平均成功率达到了79.26%，远超其他方法。
SICD6mA 展现出了强大的跨物种预测能力，证明其学习到的特征具有良好的泛化性。
综上所述，SICD6mA 通过其创新的深度学习架构和高效的特征编码，成功地构建了一个在性能和泛化能力上均超越现有方法的 6mA 位点预测工具。
