i4mC-Deep: 使用基于化学性质的深度学习方法智能预测N4甲基胞嘧啶位点.
0. TL; DR
i4mC-Deep 是一个基于卷积神经网络的智能预测器，用于预测 DNA 样本中的 4mC 修饰位点。该模型使用核苷酸化学性质 (nucleotide chemical properties) 和核苷酸密度 (nucleotide density) 作为 CNN 的输入数据来表示 DNA 序列。
在六个物种的基准数据集上，i4mC-Deep 的性能显著优于多种现有的先进预测器。通过计算机模拟诱变和显著性图等方法，对模型的预测行为进行了可视化解释，揭示了模型关注的关键序列位置。
1. 背景介绍
DNA 甲基化是一种基本的表观遗传标记，在基因表达调控、基因组印记、染色体稳定性等多种生物学过程中扮演着重要角色。N4-甲基胞嘧啶 (4mC) 是胞嘧啶的一种甲基化形式，虽然其研究不如 5-甲基胞嘧啶 (5mC) 广泛，但它在 DNA 修复、复制、基因表达调控等方面具有关键作用。
尽管存在多种实验技术（如全基因组亚硫酸氢盐测序、SMRT 测序等）用于识别 4mC 位点，但这些方法通常成本高昂且耗时。因此，开发能够大规模预测 4mC 位点的计算工具，为实验研究提供补充和指导，显得尤为重要。
近年来，已经有一些基于传统机器学习算法的 4mC 预测工具被开发出来，例如 iDNA4mC, 4mCPred, 4mCPred-SVM 和 SOMM4mC。这些工具大多基于支持向量机或马尔可夫模型，并依赖于手动设计的特征。虽然取得了一定的成功，但它们的性能在很大程度上受限于特征工程的质量。
最近，基于深度学习的方法开始被应用于该领域，例如 4mCCNN 和 DeepTorrent。这些方法能够自动从数据中学习特征，但其模型架构通常较为复杂，导致参数量和计算成本较高。因此，有必要设计一个更高效的 4mC 位点识别模型。
为此，作者提出了 i4mC-Deep，一个基于卷积神经网络的智能预测器。它通过结合核苷酸化学性质和核苷酸密度作为输入特征，并利用一个简洁而高效的 CNN 架构，旨在实现对 4mC 位点的高精度和高效率预测。
2. i4mC-Deep 方法
i4mC-Deep 的核心是一个基于 CNN 的深度学习模型，它利用特定的编码方案将 DNA 序列转换为数值输入，并通过网络自动学习特征。
2.1 基准数据集
作者使用了由 Chen et al. 构建的基准数据集，该数据集已被广泛用于 4mC 预测研究。数据集包含六个物种：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. pickeringii)。
每个物种的数据集都包含等量的阳性样本（含 4mC 位点）和阴性样本。所有序列样本的长度均为41 nt，中心为待预测的胞嘧啶 (C)。
2.2 深度学习方法
i4mC-Deep 的整体架构如图所示，它是一个端到端的 CNN 模型。
2.2.1 输入编码
模型的输入数据由两种特征编码结合而成：
- 核苷酸化学性质 (Nucleotide Chemical Properties, NCP)：DNA 中的四种核苷酸具有不同的化学性质。作者根据三个维度对其进行分类和编码：
- 环结构 (Ring structure)：嘌呤（A, G）为1，嘧啶（C, T）为0。
- 官能团 (Functional group)：氨基（A, C）为1，酮基（G, T）为0。
- 氢键 (Hydrogen bond)：弱氢键（A, T）为1，强氢键（C, G）为0。
根据这三维坐标，A, C, G, T 分别被编码为 (1,1,1), (0,0,1), (1,0,0) 和 (0,1,0)。
- 核苷酸密度 (Nucleotide Density, ND)：该特征表示在给定的 DNA 序列中，每种核苷酸出现的频率。
最终，作者将 NCP 和 ND 整合为一个4通道的特征向量，作为 CNN 模型的输入。
####= 2.2.2 模型架构
作者通过网格搜索 (grid search) 对超参数进行调优，以确定最优的 CNN 架构。最终的模型包含以下几个关键部分：
- 两个卷积层：每个卷积层都包含8个大小为3的滤波器。每个卷积层后都跟随一个批归一化层和一个非线性的 ReLU 激活函数。
- Dropout 层：为了防止过拟合，模型中加入了 dropout 层，丢弃率为0.3。
- 扁平化层 (Flatten Layer)：将卷积层输出的多维特征图展平为一维向量。
- 全连接层 (Dense Layer)：一个包含32个单元的全连接层，用于整合特征。
- 最后一个单节点的输出层，使用 sigmoid 激活函数将输出值缩放到 [0, 1] 之间，作为最终的分类概率。
2.2.3 模型训练
模型使用 Python 的 Keras 框架实现，优化器为 Adam，学习率为0.001。批大小（batch size）为32，最大训练周期（epochs）为200，并采用早停 (early stopping) 策略。
2.2.4 评估指标
作者使用了四种标准的二元分类评估指标：准确率 (ACC)、敏感性 (SN)、特异性 (SP) 和马修斯相关系数 (MCC)。
\[\begin{align*} ACC &= 1 - \frac{N_-^+ + N_+^-}{N^+ + N^-} \\ SN &= 1 - \frac{N_+^-}{N^+} \\ SP &= 1 - \frac{N_-^+}{N^-} \\ MCC &= \frac{1 - \frac{N_+^- + N_-^+}{N^+ + N^-}}{\sqrt{(1 + \frac{N_-^+ - N_+^-}{N^+})(1 + \frac{N_+^- - N_-^+}{N^-})}} \end{align*}\]其中，$N^+$ 和 $N^-$ 分别是 4mC 和非 4mC 样本的总数。$N_+^-$ 是被错误预测为非 4mC 的 4mC 样本数量，$N_-^+$ 是被错误预测为 4mC 的非 4mC 样本数量。此外，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 i4mC-Deep 的性能进行了评估，并与现有的多种先进预测器进行了比较。
3.1 与其他先进工具的比较
作者将 i4mC-Deep 与四种现有的先进工具（iDNA4mC, 4mCPred, 4mCPred-SVM, SOMM4mC）以及另外两种基于深度学习的模型（4mCCNN, DeepTorrent）在四个评估指标（ACC, SN, SP, MCC）上进行了详细比较。
在所有六个物种的基准数据集上，i4mC-Deep 的准确率 (ACC) 均优于所有其他方法。
展示了 i4mC-Deep 在六个物种的测试集上进行10折交叉验证的 ROC 曲线。所有物种的 AUC 值都非常高，表明模型具有很强的判别能力和稳定性。
作者指出，尽管在某些情况下，现有工具的特异性 (SP) 可能更高，但它们的敏感性 (SN) 和特异性之间存在较大差距，这导致整体的准确率和 MCC 较低。相比之下，i4mC-Deep 在敏感性和特异性之间取得了更好的平衡，因此整体性能更优。
3.2 模型的解释
为了理解深度学习模型是如何做出预测的，作者采用了两种可视化技术。
作者使用 t-SNE 将模型在训练过程中从扁平化层（flatten layer）学习到的特征进行降维和可视化。结果显示，代表阳性样本（4mC 位点）和阴性样本（非 4mC 位点）的特征点被清晰地分成了两个独立的簇。这表明，i4mC-Deep 能够成功地学习到具有高度判别力的特征，从而为分类器的工作提供了便利。
系统地将输入序列中的每一个碱基突变为其他三种碱基，并计算模型预测概率的绝对变化值。在 G. subterraneus 数据集上，热图显示，序列中心位置（第21位，即待预测的胞嘧啶）的突变对预测结果的影响最大。这表明模型已经学习到中心胞嘧啶是决定 4mC 修饰的关键位点。
进一步的定量分析显示，在 G. subterraneus 上，将中心位置（21位）突变为鸟嘌呤（G）时，预测概率的变化超过了20%。此外，中心位置附近的区域（18-27位）的突变也会对预测产生较大影响，而两翼区域的影响则较小。
这些可解释性分析为理解 i4mC-Deep 的决策过程提供了有价值的线索，并揭示了模型所关注的重要序列区域。
