0. TL; DR

4mCCNN 用于在六个物种（秀丽隐杆线虫、黑腹果蝇、拟南芥、大肠杆菌、地下地杆菌、皮氏地杆菌）中识别 4mC 位点。模型采用了一个简单而有效的一维 CNN 架构，仅包含两个卷积层，使其在保持高性能的同时，也易于实现和训练。

在基准数据集上的评估表明，与现有的先进预测器相比，4mCCNN 在识别 4mC 位点方面取得了普遍更好的结果。

1. 背景介绍

DNA 甲基化是在不改变 DNA 序列的情况下，通过在胞嘧啶碱基上添加甲基基团来改变 DNA 片段活性的过程。常见的 DNA 甲基化修饰包括 N6-甲基腺嘌呤 (6mA)、5-甲基胞嘧啶 (5mC) 和 N4-甲基胞嘧啶 (4mC)。

尽管对 6mA 和 5mC 的研究已经非常广泛，但由于缺乏有效的实验方法、成本高昂且耗时，对 4mC 位点的功能或生物学行为的研究相对有限。在原核生物中，DNA 4mC 可以参与限制-修饰 (R-M) 系统，为细菌提供一种抵抗外源 DNA 入侵的免疫反应，并参与 DNA 修复、表达和复制。

为了全面了解 4mC 的生物学作用，开发各种方法来识别 4mC 位点至关重要。近年来，一些基于传统机器学习算法的计算方法被提出来用于 4mC 位点的预测，例如：

iDNA4mc：一个基于支持向量机的工具，使用核苷酸化学性质和频率作为特征。
4mCPred：同样基于 SVM，但利用了位置特异性三核苷酸倾向和电子-离子相互作用势。
4mcPred-SVM：一个基于两步机器学习的预测器。

尽管这些方法都取得了不错的性能，但它们仍然有很大的改进空间。一个主要的局限是，这些计算模型都需要领域知识来手动设计输入特征。相比之下，深度学习或卷积神经网络能够从多层次的抽象中自动有效地学习重要特征。

因此，在本文中，作者开发了一个基于 CNN 的新型序列预测器，名为 4mCCNN，用于 DNA 4mC 位点的识别。

2. 4mCCNN 方法

作者遵循了五步规则来构建和评估预测器，包括构建基准数据集、特征提取、算法设计、交叉验证和构建网络服务器。

2.1 4mCCNN 模型

4mCCNN 的核心是一个简单而有效的一维卷积神经网模型，它能够自动从原始 DNA 序列中学习最重要的特征。

2.1.1 输入编码

输入序列 $d = [d_1, d_2, …, d_n]$ 是一个长度为 $n$ 的核苷酸序列。作者使用独热编码 (one-hot encoding) 将其转换为数值矩阵。具体来说，A, C, G, T 分别被表示为 $(1,0,0,0), (0,1,0,0), (0,0,1,0) 和 (0,0,0,1)$。

2.1.2 模型架构

4mCCNN 是一个简单的一维 CNN，主要包含两个一维卷积层 (Conv1D)：每个卷积层都包含42个大小为7的滤波器，步长为1。卷积层的作用是扫描输入序列，提取局部模式或基序。每个卷积层之后都跟随一个 ReLU 激活函数，用于引入非线性。每个卷积层后都接一个 dropout 层（丢弃率为0.6），用于防止过拟合。

从 CNN 层学习到的特征在被送入全连接层之前，会再经过一个 dropout 层（丢弃率为0.5）。一个包含单个节点的全连接层用于整合所有学习到的特征。最后，一个 sigmoid 函数将全连接层的输出转换为一个0到1之间的概率值，表示该序列是一个 4mC 位点的可能性。

2.1.3 模型训练

使用 Keras 框架构建模型。优化器为 RMSprop，学习率设为0.0006。批大小为128，最大训练周期为200。使用二元交叉熵作为损失函数。训练过程中基于验证集损失（validation loss）实施早停策略。

2.2 基准数据集

作者采用了由 Chen et al. 构建的有效基准数据集，该数据集已被广泛用于 4mC 位点的预测研究。

数据集包含了六个物种：秀丽隐杆线虫 (C.elegans)、黑腹果蝇 (D.melanogaster)、拟南芥 (A.thaliana)、大肠杆菌 (E.coli)、地下地杆菌 (G.subterraneus) 和皮氏地杆菌 (G.pickeringi)。

所有样本的长度均为41 bp，中心为待预测的胞嘧啶。阳性样本是经过实验验证的 4mC 位点，阴性样本则是随机选取的、中心胞嘧啶未被 SMRT 测序技术检测到甲基化的序列。数据集通过随机选取等量的阴性样本来与阳性样本进行平衡。

为了评估模型的性能，作者采用了10折交叉验证 (10-fold cross-validation)。数据集被随机分成10个大小相等的子集。在每次迭代中，使用9个子集进行训练，剩下的1个子集用于测试。这个过程重复10次，每次都使用不同的子集作为测试集。最终的性能是10次迭代结果的平均值。

2.3 评估指标

作者使用了四种常用的标准来衡量模型的性能：

敏感性 (Sensitivity, SN): $SN = 1 - \frac{R^{+-}}{R^+}$
特异性 (Specificity, SP): $SP = 1 - \frac{R^{-+}}{R^-}$
准确率 (Accuracy, ACC): $ACC = 1 - \frac{R^{+-} + R^{-+}}{R^+ + R^-}$
马修斯相关系数 (Matthew correlation coefficient, MCC):

\[MCC = \frac{1 - \frac{R^{+-} + R^{-+}}{R^+ + R^-}}{\sqrt{(1 + \frac{R^{-+} - R^{+-}}{R^+})(1 + \frac{R^{+-} - R^{-+}}{R^-})}}\]

其中，$R^+$ 和 $R^-$ 分别是 4mC 位点和非 4mC 位点的总数。$R^{+-}$ 是被错误预测为非 4mC 位点的 4mC 位点数量，$R^{-+}$ 是被错误预测为 4mC 位点的非 4mC 位点数量。此外，作者还使用了ROC曲线下面积 (AUC) 来评估模型的整体性能。

3. 实验分析

作者在六个不同物种的基准数据集上对 4mCCNN 模型进行了评估，并与现有的先进预测器进行了详细的比较。

3.1 4mCCNN 的性能表现

在10折交叉验证中，4mCCNN 在所有六个物种上都取得了非常好的性能。例如，在 C.elegans 上，其 ACC 达到了86.43%，MCC 为0.73，AUC 为0.92。在 E.coli 上，ACC 更是高达91.33%，MCC 为0.83，AUC 为0.96。

不同物种的 AUC 曲线都显示出模型具有很强的判别能力，AUC 值均在0.92以上。

3.2 与其他先进预测器的比较

作者将 4mCCNN 与三种先进的预测器（iDNA4mC, 4mCPred, 4mcPred-SVM）在四个评估指标（ACC, Sn, Sp, MCC）上进行了详细的比较。

C.elegans (图 a): 4mCCNN 在 ACC, Sn, MCC 上均优于其他方法，分别提升了1.6%, 6.99%和4.20%。
D.melanogaster (图 b): 4mCCNN 在所有四个指标上都取得了最优性能，ACC 提升了2.30%。
A.thaliana (图 e): 在 ACC, Sn, MCC 上均有提升。
E.coli (图 c): 在 ACC, Sn, MCC 上均有提升。
G.subterraneus (图 d): 在所有四个指标上都取得了最优性能。
G.pickeringii (图 f): 在 ACC, Sp, MCC 上均有提升。

这些结果清晰地表明，在大多数被研究的物种中，4mCCNN 的性能普遍优于其他先进方法。作者认为，这主要归功于 CNN 能够自动地从原始输入序列中提取有效特征，而无需依赖于手动设计的特征工程。这证明了深度学习方法在 4mC 位点预测任务中的巨大潜力和优势。