4mCPred-CNN使用卷积神经网络预测小鼠基因组中的DNA N4甲基胞嘧啶.

0. TL; DR

4mCPred-CNN 用于分类小鼠基因组中的 4mC 位点。仅使用单一的独热编码 (one-hot encoding)，并通过 CNN 自动学习高层次的抽象特征，大大简化了特征提取过程。

无论是十折交叉验证还是在独立的测试集上，4mCPred-CNN 的性能均显著优于现有的两种 ML 模型（4mCpred-EL 和 i4mC-Mouse）。通过计算机模拟诱变 (in silico mutagenesis)，作者分析了序列中不同位置的核苷酸突变对模型预测的影响，发现中心区域的核苷酸对预测的贡献最大。

2. 背景介绍

在原核和真核生物中，DNA 的修饰，如 4-甲基胞嘧啶 (4mC)、5-甲基胞嘧啶 (5mC) 和 N6-甲基腺嘌呤 (6mA)，在基因表达调控中扮演着关键角色。其中，4mC 是一种有效的表观遗传改变，能够保护自身 DNA 免受酶介导的降解，并在 DNA 复制、细胞周期调控等方面发挥作用。

为了识别 4mC 位点，已开发出多种实验方法，如甲基化特异性聚合酶链式反应 (PCR)、质谱分析 (mass spectrometry) 和单分子实时 (SMRT) 测序等。然而，这些实验方法成本高昂且耗时，因此，开发经济高效且系统的计算工具来识别不同基因组中的 4mC 位点是必要的。

目前，已有一些计算工具被提出来用于预测不同物种（如线虫、大肠杆菌、拟南芥等）中的 4mC 位点。然而，据作者所知，仅有两个工具可用于预测小鼠基因组中的 4mC 位点，即 4mCpred-EL 和 i4mC-Mouse。小鼠作为一种重要的实验动物，其基因与人类高度相似，常被用于模拟人类疾病中表观遗传改变的影响。

现有的这两个工具都是基于传统的机器学习（ML）方法，它们使用了多种手工设计的特征编码技术，如 EIIP, Kmer 等，但在预测准确性上仍有提升空间。更重要的是，至今还没有研究使用神经网络（NNs）来预测小鼠基因组中的 4mC 位点。

传统的机器学习需要数据科学家提取特征，而神经网络则能够系统地从数据中自动提取高层次的特征。因此，作者首次提出了一个基于 CNN 的模型，即 4mCPred-CNN，旨在为这个特定的小鼠数据集实现更高的 4mC 位点预测准确性。

2. 4mCPred-CNN方法

作者提出了一个基于 CNN 的模型，名为 4mCPred-CNN，用于识别小鼠基因组中的 4mC 位点。该模型的核心在于使用简单的编码方法，并通过 CNN 自动学习特征。

2.1 数据集

作者使用了与 4mCpred-EL 和 i4mC-Mouse 研究中相同的基准数据集，以确保比较的公平性。阳性样本来源于 MethSMRT 数据库，所有序列长度均为41 bp，中心为胞嘧啶 (C)。

使用 CD-HIT 软件，以70%的序列相似性为阈值，移除了高度同源的序列。从基因组中随机选取与阳性样本数量相同的、未被检测为 4mC 的序列作为阴性样本，从而构建一个平衡的数据集。

最终的训练集包含746个阳性样本和746个阴性样本；独立测试集包含160个阳性样本和160个阴性样本。

2.2 特征编码方法

与之前依赖多种复杂手工特征的方法不同，作者只使用了两种简单而有效的编码方法。

2.2.1 独热编码 (One-Hot Encoding)

独热编码是一种直接且可靠的编码方案，也称为二进制编码。它将 A, T, C, G 四种核苷酸分别编码为4维的二进制向量：

通过这种方式，一个长度为41 bp的 DNA 序列被转换为一个 $41 \times 4$ 的数值矩阵。

2.2.2 核苷酸化学性质 (Nucleotide Chemical Properties, NCPs)

NCPs 编码利用了 DNA 的三种不同化学性质：环结构 (ring structures)、氢键 (hydrogen bonds) 和官能团 (functional groups)。每个核苷酸被表示为一个3维的二进制向量：

一个41 bp的序列被转换为一个 $41 \times 3$ 的数值矩阵。

2.3 4mCPred-CNN 模型架构

4mCPred-CNN是一个标准的卷积神经网络，其超参数是通过网格搜索 (grid search) 算法确定的。

模型的核心是一个一维卷积层，包含128个大小为8的滤波器。该层后接一个线性激活函数。批归一化用于减少每个滤波器产生的输出结果之间的关联性。最大池化大小为2，用于降维。

与常规的 dropout 不同，SpatialDropout1D 会丢弃整个一维特征图，而不是单个节点。这有助于促进特征图之间的独立性。作者设置的丢弃率为0.45。

经过 dropout 后，特征被一个扁平化 (flatten) 层展平。 一个包含32个隐藏单元的全连接层（dense layer）用于进一步整合特征。最后，一个使用 sigmoid 激活函数的单节点输出层，用于输出最终的分类概率。

3. 实验分析

作者在基准数据集和独立测试集上对 4mCPred-CNN 的性能进行了评估，并与现有的机器学习方法进行了比较。

3.1 One-Hot vs. NCPs

作者首先在独立测试集上比较了独热编码和 NCPs 两种编码方案的性能。结果清晰地显示，使用独热编码在所有五个评估指标（Acc, Sn, Sp, MCC, AUC）上都取得了更好的结果。因此，在后续的比较中，作者选择使用独热编码作为 4mCPred-CNN 的输入。

3.2 在基准数据集上与以往模型的比较

作者使用十折交叉验证，在基准数据集上将 4mCPred-CNN 与两种现有的、基于机器学习的方法（4mCpred-EL 和 i4mC-Mouse）进行了比较。

结果显示，4mCPred-CNN 在所有五个评估指标上都优于这两种方法。具体来说，4mCPred-CNN 的准确率 (Acc) 比 4mCpred-EL 和 i4mC-Mouse 分别高出6.22和6.42个百分点；MCC 分别高出12.6和6.6个百分点。

3.3 在独立测试集上与以往模型的比较

为了进一步验证模型的泛化能力，作者在独立的测试集上重复了上述比较。结果再次表明，4mCPred-CNN 的性能全面超越了两种现有方法。其准确率 (Acc) 比 4mCpred-EL 和 i4mC-Mouse 分别高出8.4和5.89个百分点；MCC 分别高出16.6和11.7个百分点；AUC 分别高出6.9和3个百分点。

3.4 模型评估：计算机模拟诱变

为了研究 DNA 基序变化对模型的影响，作者应用了计算机模拟诱变 (in silico mutagenesis)。通过逐一突变序列中的每一个核苷酸，并观察模型预测的变化，作者生成了一张热图。

热图清晰地显示，位于序列中心的核苷酸对预测的影响远大于位于序列边缘的核苷酸。这表明模型成功地学习到了中心区域的特征对于 4mC 位点识别的重要性。

这些结果充分证明，4mCPred-CNN 作为一个专门为小鼠基因组设计的深度学习模型，其性能显著优于现有的传统机器学习方法，为该领域的研究提供了有力的计算工具。