DNA6mA-MINT: DNA-6mA修饰识别神经工具.

paper：DNA6mA-MINT: DNA-6mA Modification Identification Neural Tool

0. TL; DR

DNA6mA-MINT 采用了一个包含三个卷积层的模型用于特征提取，并在此之后加入了一个 LSTM 层，用于对提取出的特征进行优化和解释。这种架构结合了 CNN 强大的局部特征捕获能力和 LSTM 处理序列依赖关系的能力。

作者在小鼠、水稻和混合物种三个基因组上，使用5折和10折交叉验证对模型进行了评估。结果显示，与现有的先进技术相比，该模型的性能更高。例如，在“混合物种”数据集的5折交叉验证中，其 MCC 提升了20.83%。

1. 背景介绍

DNA N6-甲基腺嘌呤 (6mA) 是一种重要的表观遗传修饰，它通过在腺嘌呤环的第六个位置额外引入一个甲基基团来实现。6mA 在多种生物学过程中扮演着至关重要的角色，包括 DNA 复制、DNA 修复和 DNA 转录等。近期的研究表明，不均匀的 6mA 修饰与癌症、免疫系统疾病等多种疾病有关。因此，识别基因组中的 6mA 位点变得至关重要。

为了检测 6mA 位点，已经提出了多种实验技术，如单分子实时 (SMRT) 测序。然而，这些实验技术通常成本高昂且过程漫长。因此，研究人员开始转向开发计算技术来预测 DNA 6mA 修饰。

近年来，已有一系列预测工具被提出。

传统机器学习方法：如 iDNA6mA-PseKNC (使用 SVM), csDMA (使用多种特征和分类器), 6mA-Finder (使用序列编码和理化性质)。这些方法大多依赖于手工设计的特征。
深度学习方法：如 iIM-CNN，它使用 CNN 模型进行预测，并取得了不错的性能。

尽管现有方法取得了一定的成功，但仍有研究空间。特别是，CNN 在 DNA-6mA 修饰识别中的应用仍处于初级阶段，可以进一步探索。

为此，本文旨在提供一个基于 CNN 和长短期记忆 (LSTM) 的高效工具，名为 DNA6mA-MINT，用于识别 DNA 6mA 修饰。该模型使用 CNN 进行特征提取，并利用 LSTM 对这些特征进行优化解释，旨在实现比现有先进技术更高的性能。

2. DNA6mA-MINT方法

2.1 基准数据集

作者使用了三个数据集进行模型开发和评估。

小鼠 (M. musculus) 基因组数据集：包含1934个阳性样本和1934个阴性样本。
水稻 (Rice) 基因组数据集：包含880个阳性样本和880个阴性样本。
混合物种 (Combined-species) 数据集：由前两个数据集组合而成，并使用 CD-HIT (80%) 移除了序列冗余。

所有数据集中的序列长度均为41 bp，中心为 6mA 或非 6mA 位点。

2.2 序列编码

由于神经网络只能处理数值数据，作者采用了二进制编码 (binary encoding)（即独热编码）将 DNA 序列转换为数值表示。

将 A, T, C, G 四种核苷酸分别表示为4维的二进制向量：$(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)$。

一个长度为41 bp的 DNA 序列被转换为一个 $41 \times 4$ 的矩阵，作为模型的输入。

2.3 DNA6mA-MINT 模型架构

DNA6mA-MINT 是一个高效的深度学习模型，其架构由多个卷积层、隐藏层、LSTM 层和全连接层组成。其整体框架如图所示。

CNN 特征提取器

模型包含三个顺序连接的一维卷积层 (Conv1D)，用于从输入的二进制编码序列中提取特征。第一层32个大小为5的滤波器。第二层32个大小为4的滤波器。第三层16个大小为4的滤波器。

前两个卷积层之后都接有批归一化 (Batch normalization)、最大池化 (Max-pooling) 和 Dropout 层。所有卷积层都使用 ReLU 作为激活函数，以缓解梯度消失问题并简化训练过程。

LSTM 特征解释器

从 CNN 模型中提取的特征集被送入一个 LSTM 层。LSTM 是一种循环神经网络，擅长处理序列数据和捕捉长程依赖关系。在这里，它用于对 CNN 提取的特征进行优化和解释。

分类模块

LSTM 的输出被一个扁平化 (Flatten) 层转换为一维向量。然后，该特征向量经过两个全连接（Dense）层，进行最终的分类。第一个全连接层使用 ReLU 激活函数，而最后一个输出层使用 sigmoid 激活函数，输出一个介于0和1之间的概率值。

模型训练

使用二元交叉熵 (Binary cross-entropy, BCE) 作为目标函数。

\[\text{BCE} = -y_1\log(\text{Sigmoid}(z)) - (1-y_1)\log(1-\text{Sigmoid}(z))\]

使用随机梯度下降 (Stochastic gradient descent)，学习率为0.004，动量为0.9。

3. 实验分析

作者在三个数据集（小鼠、水稻、混合物种）上，使用5折和10折交叉验证对 DNA6mA-MINT 的性能进行了评估，并与现有的先进方法进行了比较。

3.1 性能比较

该表详细列出了 DNA6mA-MINT 与三种现有先进工具（iDNA6mA-PseKNC, csDMA, iIM-CNN）在不同数据集和不同交叉验证折数下的性能比较。

该图以柱状图的形式，直观地展示了 DNA6mA-MINT 与其他工具在5折交叉验证下的性能对比。

图 a (小鼠数据集): DNA6mA-MINT 在所有五个评估指标上均取得了最佳性能。
图 b (水稻数据集): DNA6mA-MINT 同样在所有指标上都表现最佳。
图 c (混合物种数据集): DNA6mA-MINT 的性能优势更为显著。与次优的 iIM-CNN 相比，其 MCC 提升了20.83%（从0.651到0.8593），auROC 提升了5.8%（从0.892到0.950）。

DNA6mA-MINT 的性能全面超越了现有的先进方法。MCC 指标的急剧增加表明 DNA6mA-MINT 作为二元分类器的质量非常高。

3.2 ROC 曲线分析

该图展示了 DNA6mA-MINT 在三个数据集上的 auROC 曲线。所有三条曲线都非常接近左上角的理想状态，其 auROC 值分别达到了0.98（小鼠）、0.95（水稻）和0.95（混合物种）。高 auROC 值进一步证明了 DNA6mA-MINT 模型强大的类别区分能力和可靠性。

3.3 模型对突变的响应

为了评估模型对序列基序的建模能力，作者使用了计算机模拟诱变 (silico mutagenesis) 的方法，并通过热图展示了结果。

热图清晰地显示，当突变发生在序列的中心区域时，对模型预测的影响最大；而当突变发生在序列的两侧时，影响较小。这表明，模型成功地学习到了中心区域的特征对于 6mA 位点识别的重要性。

综上所述，DNA6mA-MINT 通过其精心设计的 CNN+LSTM 混合架构，在识别 DNA 6mA 位点的任务上取得了优于现有先进方法的性能，并为该领域的研究提供了一个高效、可靠的计算工具。