4mCPred-GSIMP: 通过多尺度自适应特征提取与融合预测小鼠基因组中的DNA N4甲基胞嘧啶位点.

paper：4mCPred-GSIMP: Predicting DNA N4-methylcytosine sites in the mouse genome with multi-Scale adaptive features extraction and fusion

0. TL; DR

4mCPred-GSIMP 用于预测小鼠基因组中的 4mC 位点。该方法使用四种特征编码方法（One-hot, EIIP, NCP, ND）对 DNA 序列进行编码，并结合多尺度卷积 (multi-scale convolution) 和改进的选择性核卷积 (selective kernel convolution)，自适应地从不同尺度提取和融合特征，从而改善特征表示和优化效果。

在独立的测试数据集上，4mCPred-GSIMP 在敏感性、特异性、准确率、MCC 和 AUC 等多项指标上均表现出色。在包含17个不同物种和3种甲基化类型的数据集上进行的泛化能力测试表明，4mCPred-GSIMP 在大多数情况下都取得了优于或接近其他先进方法的性能，特别是在植物和真菌物种上。

1. 背景介绍

DNA 甲基化是在不改变 DNA 序列的情况下改变 DNA 片段活性的过程。最常见的形式是 5-甲基胞嘧啶 (5mC)，它通常出现在基因启动子区域的 CpG 岛中，并与基因调控密切相关。此外，还有 N6-甲基腺嘌呤 (6mA) 和 N4-甲基胞嘧啶 (4mC) 等其他类型的甲基化。

4mC 最初在细菌中被发现，近期研究表明它在真核生物基因组中也作为一种表观遗传标记存在。为了识别 DNA 甲基化，传统的实验技术（如亚硫酸氢盐测序和 SMRT 测序）虽然可以直接或间接地检测到修饰位点，但它们耗时且费力，不适合大规模分析。

因此，开发计算方法来洞察 DNA 甲基化的机制和功能至关重要。基于机器学习的模型在预测甲基化位点方面已显示出进展，但它们通常使用人工设计和选择的 DNA 序列特征，这需要大量的领域知识和经验。

深度学习作为一种前沿技术，超越了传统计算方法的限制。目前，已有多种工具利用深度学习和特征融合方法来检测甲基化位点。这些工具的特征融合方法主要分为两类：

特征编码方法的融合：如 iPromoter-5mC，它结合了 One-hot 和 DPF 两种编码方法。
网络结构或算法的融合：如 m6A-NeuralTool，它结合了 CNN 和多种传统机器学习算法。

然而，据作者所知，目前还没有专门为小鼠基因组设计的特征融合工具。尽管已有一些基于深度学习的预测器（如 4mCPred-CNN, Mouse4mC-BGRU）被用于预测小鼠基因组中的 4mC 位点，但它们未能充分利用 DNA 序列中的多尺度信息，导致模型表达能力有限。

为了解决这些问题，作者提出了一个名为 4mCPred-GSIMP 的基于深度神经网络的预测方法。该方法结合了特征编码融合和网络结构融合两种策略，旨在提高小鼠基因组中 4mC 位点预测的准确性。

2. 4mCPred-GSIMP方法

4mCPred-GSIMP 的整体架构如图所示，主要由三个模块组成：特征编码模块、多尺度自适应特征提取与融合模块（MSAFEF）和预测模块。

2.1 基准数据集

作者使用了由 i4mC-Mouse 建立的基准数据集。该数据集最初由 4mCpredEL 从 MethSMRT 数据库构建。

所有 DNA 序列窗口长度均为41 bp，中心为经过实验验证的 4mC 位点（阳性样本）或未甲基化的胞嘧啶（阴性样本）。

使用 CD-HIT (70%) 过滤样本后，将数据按8:2的比例随机划分为训练集和独立测试集。训练集和独立测试集都是平衡的。

2.2 特征编码模块

作者使用了一种混合编码方案，结合了四种不同的编码方法来表示 DNA 序列：

独热编码 (One-hot)：将 A, C, G, T 编码为4维的二进制向量。
电子-离子相互作用赝势 (EIIP)：用一个标量值直接表示每个核苷酸。
核苷酸化学性质 (NCP)：根据环结构、氢键强度和化学功能，将每个碱基编码为一个3维的向量。
核苷酸密度 (ND)：根据核苷酸在序列前缀中的累积频率分布，将每个核苷酸计算为一个标量。

这四种方法产生的特征矩阵列维度相同（均为41），因此可以将它们拼接起来，形成一个 $9 \times 41$ 的特征矩阵。最后，通过一个无偏置的线性层，将其维度调整为 $N \times 41$。

2.3 多尺度自适应特征提取与融合模块 (MSAFEF)

MSAFEF 模块由三层堆叠的多尺度自适应卷积单元 (MSACU) 组成。

2.3.1 MSACU

MSACU 是 MSAFEF 的核心子模块。对于一个输入特征图 $\mathcal{X}$，其处理流程如下：

全局响应归一化 (GRN)：首先，对输入特征图 $\mathcal{X}$ 应用 GRN，以增强不同通道之间的特征多样性和竞争性。
多尺度卷积 (MSC)：然后，将经过 GRN 处理的特征图通过三个具有不同尺度（1, 3, 5）的一维卷积层，分别提取不同感受野的特征，并将结果在通道维度上拼接起来。

\[\mathcal{X}_{msc} = F_{msc}(\mathcal{X}_{grn}) = \sigma([\mathcal{F}_1(\mathcal{X}_{grn}), \mathcal{F}_3(\mathcal{X}_{grn}), \mathcal{F}_5(\mathcal{X}_{grn})])\]

改进的选择性核卷积 (Improved SKC)：SKC是一种自适应的卷积方法，能够根据输入特征的局部信息动态调整卷积核的大小和形状。在 Split 阶段，使用具有相同核大小的常规卷积代替空洞卷积 (dilated convolution)。在 Fuse 阶段，移除了对通道特征的降维操作，以保持通道特征与注意力权重之间的直接对应关系。
逐点卷积 (Pointwise Convolution, PWC)：使用 $1 \times 1$ 的卷积核来融合和降低通道维度。
残差连接 (Residual Connection)：将原始输入特征图 $\mathcal{X}$ 通过一个步长为2的卷积层（以匹配维度），然后与主干通路处理后的特征图相加，以保留原始信息并防止梯度消失。

最终，一个 MSACU 的完整操作可以表示为：

\[U(\mathcal{X}) = \sigma(\mathcal{F}_{conv}(\mathcal{X}) + F_{pwc}(F_{iskc}(F_{msc}(GRN(\mathcal{X})))))\]

2.4 预测模块

经过三层 MSACU 的高级特征提取后，最终的特征矩阵被一个扁平化 (Flatten) 层展平为向量，然后输入到一个全连接神经网络中，进行最终的二元分类预测。

3. 实验分析

作者对 4mCPred-GSIMP 进行了详尽的实验，以验证其性能。

3.1 不同特征编码方案的比较

作者设计了九种不同的编码方案（包括四种单一编码和五种组合编码），并在训练集和独立测试集上进行了比较。

结果显示，将四种编码方法（One-hot, NCP, EIIP, ND）全部组合使用的方案，在大多数性能指标上都表现最佳。这表明，每种编码方法都有其独特的贡献，它们的组合能够提供更丰富、更多样化的特征信息。

3.2 与 GRN 模型的比较

作者比较了使用和不使用 GRN 的模型的性能。在训练集上，使用 GRN 的模型在 Sn, Acc, MCC 和 AUC 上分别提升了2.67%, 0.88%, 1.47% 和 0.53%。在独立测试集上，使用 GRN 的模型在 Sp, Acc, MCC 和 AUC 上分别提升了4.37%, 0.31%, 1.28% 和 0.21%。总体而言，引入 GRN 能够有效提升模型的预测性能。

3.3 改进的选择性核卷积的有效性

作者比较了改进后的 SKC 与原始 SKC 的性能。在训练集上，改进后的 SKC 在 Sp, Acc, MCC 和 AUC 上分别提升了5.38%, 1.92%, 3.44% 和 0.33%。在独立测试集上，改进后的 SKC 在 Sn, Acc, MCC 和 AUC 上分别提升了11.87%, 4.68%, 7.34% 和 3.17%。这些结果表明，作者对 SKC 的改进是有效的，它能够更平衡地预测正负样本，并显著提升了模型的整体性能。

3.4 与现有预测器的比较

表 2 (10折交叉验证): 在训练集上，与 4mCpred-EL, i4mC-Mouse, Mouse4mC-BGRU 和 MultiScale-CNN-4mCPred 相比，4mCPred-GSIMP 的 Acc 达到了最高的0.8178。
表 3 (独立测试): 在独立测试集上，4mCPred-GSIMP 在除 Sn 之外的所有指标上都表现最佳。与当前最优的 MultiScale-CNN-4mCPred 相比，其 Sp, Acc, MCC 分别高出9.37%, 0.93% 和 1.55%。

表 4 (与 4mCPred-CNN 比较): 作者还将 4mCPred-GSIMP 与另一个基于 CNN 的工具 4mCPred-CNN 在不同阈值下进行了比较。结果显示，4mCPred-GSIMP 在 Acc 和 MCC 值上均优于 4mCPred-CNN。
图 6 (ROC 曲线): 在独立测试集上，4mCPred-GSIMP 的 AUC 值达到了0.9233。

3.5 4mCPred-GSIMP 的泛化能力

为了评估模型的泛化能力，作者在包含17个不同数据集（涉及3种甲基化类型和多个物种）上测试了 4mCPred-GSIMP，并与 iDNA-ABF 和 MuLan-Methyl 这两种基于 transformer 的方法进行了比较。

在 4mC 数据集上，4mCPred-GSIMP 在大多数数据集上都取得了比其他两种方法更高的 Acc 和 AUC。在 6mA 数据集上，4mCPred-GSIMP 也表现出最优或接近最优的水平。在 5hmC 数据集上，其性能则稍逊于其他两种方法。4mCPred-GSIMP 在植物和真菌物种上比在动物物种上更具预测优势。

这些结果表明，4mCPred-GSIMP 是一个有效且先进的 DNA 4mC 位点预测工具，并具有良好的泛化性能。