0. TL; DR

SNNRice6mA 用于识别水稻基因组中的 DNA 6mA 位点。采用了一个简单的卷积神经网络架构，仅包含一个卷积层、一个池化层和一个全连接层。

在两个水稻 6mA 基准数据集（6mA-rice-Chen 和 6mA-rice-Lv）上，SNNRice6mA 的性能均表现出优越性。在跨物种评估中，将在水稻数据上训练的 SNNRice6mA 模型用于预测小鼠基因组的 6mA 位点，其准确率高于其他三种传统方法。

1. 背景介绍

DNA N6-甲基腺嘌呤 (6mA) 是一种重要的 DNA 表观遗传修饰，它在细菌、真核生物和古菌中均被发现。研究表明，6mA 参与了许多生物学过程，例如在细菌中，它在 DNA 复制、DNA 修复、转录和基因表达调控中发挥作用。然而，对于真核生物中 DNA 6mA 的研究仍然不足。研究 DNA 6mA 的分布可以为我们更深入地理解表观遗传修饰过程提供线索。

近年来，实验技术的发展为研究 DNA 6mA 修饰做出了贡献。例如，单分子实时 (SMRT) 测序技术可以直接检测 DNA 甲基腺嘌呤。然而，由于基于实验的方法成本高昂，研究人员开始使用机器学习技术来识别和预测 DNA 6mA 位点。

近年来，已有一系列基于机器学习的工具被开发出来用于识别不同物种中的 6mA 位点。例如，iDNA6mA-PseKNC 是一个基于 SVM 的工具，用于预测小鼠基因组中的 6mA 位点。针对水稻基因组，也已有一系列预测工具被提出：

i6mA-Pred：一个基于 SVM 的工具，使用了多种手工设计的 DNA 序列特征。
MM-6mAPred：一个基于马尔可夫模型 (Markov model) 的工具。
iDNA6mA 和 SDM6A：也是基于传统机器学习方法的工具。
iDNA6mA-rice：提出了一个新的、更大的水稻 6mA 基准数据集。

尽管这些方法取得了一定的成功，但它们大多依赖于手工制作的序列特征，这需要大量的先验知识，并且可能不适用于大规模数据。以往的研究已经表明，深度学习是用于序列分析和分类的强大技术。

为此，作者提出了一个名为 SNNRice6mA 的、简单、轻量级且高性能的方法，旨在提高水稻基因组中 DNA 6mA 位点的预测准确性。该方法基于 CNN 架构，无需手动设计的序列特征，能够自动学习高层次的抽象特征。

2. SNNRice6mA方法

作者提出了一个基于 CNN 的深度学习方法 SNNRice6mA。该模型架构简单，但性能优越。

2.1 数据集

作者考虑了两个用于水稻基因组的 6mA 基准数据集。

6mA-rice-Chen 数据集：由 Chen et al. (2019) 提供，被广泛用于先前研究的比较。该数据集包含880个阳性样本和880个阴性样本。
6mA-rice-Lv 数据集：由 Lv et al. (2019) 提出，规模更大。该数据集包含154,000个阳性样本和154,000个阴性样本。

在两个数据集中，所有 DNA 序列的长度均为41 bp。阳性样本的中心是 6mA 修饰位点，而阴性样本的中心则不含 6mA 修饰。

2.2 SNNRice6mA 方法

2.2.1 数据表示

与使用多种复杂手工特征的传统方法不同，作者仅使用了独热编码 (one-hot encoding) 方法来表示 DNA 序列。

将 A, T, C, G 四种核苷酸分别编码为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。

2.2.2 模型细节

SNNRice6mA 的架构是一个典型的卷积神经网络，由组件堆叠而成。

一维卷积层：包含16个长度为4的滤波器。每个滤波器都像一个 6mA 修饰位点的序列基序识别器。为了防止过拟合，作者对滤波器的权重和偏置使用了 L2 正则化。激活函数为指数线性单元 (ELU)。
组归一化层 (Group Normalization, GN)：用于减少每个滤波器产生的结果之间的相关性。GN 将卷积层的输出分成4个组，并在每个组内进行归一化。
一维最大池化层 (Max Pooling)：池化窗口大小为4，用于减少特征的冗余。
Dropout 层：丢弃率为0.25，用于防止过拟合。
扁平化层 (Flatten)：将池化后的多维特征展平为一维向量。
全连接层 (Fully Connected, FC)：包含32个隐藏单元。同样，对权重和偏置使用了 L2 正则化。激活函数为 ELU。
Sigmoid 函数：作为最后的输出层，输出一个介于0和1之间的浮点数，表示输入 DNA 序列包含 6mA 修饰位点的概率。

优化器使用带动量的随机梯度下降 (SGD)，学习率为0.005，动量为0.95。损失函数为二元交叉熵。当验证集上的预测准确率连续30个周期没有提升时，训练将提前终止。

3. 实验分析

作者在两个水稻 6mA 基准数据集上评估了 SNNRice6mA 的性能，并与现有的先进工具进行了比较。

3.1 在水稻 6mA 基准数据集上的性能比较

作者将 SNNRice6mA 与五个现有的、同样用于预测水稻 6mA 位点的工具（i6mA-Pred, SDM6A, iDNA6mA, MM-6mAPred, iDNA6mA-rice）进行了比较。

3.1.1 在 6mA-rice-Chen 数据集上的比较

在这个被广泛使用的基准数据集上，作者使用10折交叉验证进行了评估。结果显示，SNNRice6mA 在所有五个评估指标（sensitivity, specificity, accuracy, MCC, AUC）上均优于所有其他五个工具。例如，其准确率 (Accuracy) 达到了93.24%，比次优的 MM-6mAPred (89.72%) 高出超过3.5个百分点。AUC 值更是高达0.97。

3.1.2 在 6mA-rice-Lv 数据集上的比较

在这个规模更大的数据集上，作者使用5折交叉验证，将 SNNRice6mA 与 iDNA6mA-rice 进行了比较。

结果显示，原始的 SNNRice6mA 模型在敏感性 (sensitivity) 指标上优于 iDNA6mA-rice，但在其他指标上略逊一筹。考虑到这个数据集的样本量远大于 6mA-rice-Chen 数据集，作者推测增加模型复杂度可能会提升性能。

为此，作者构建了一个更复杂的变体 SNNRice6mA-large（将卷积层滤波器数量增加到32，全连接层隐藏单元增加到64）。结果表明，SNNRice6mA-large 的性能全面优于原始的 SNNRice6mA，并且在五个评估指标中的三个（sensitivity, accuracy, AUC）上优于 iDNA6mA-rice。

3.2 与基于特征的序列编码策略的比较

为了检验独热编码策略的有效性，作者构建了另一个模型 SNNRice6mA-feature。该模型除了使用基于特征的序列编码（与 i6mA-Pred 中使用的方法相同，即结合了核苷酸化学性质和核苷酸频率）外，其他所有部分都与 SNNRice6mA 完全相同。

在 6mA-rice-Chen 数据集上进行比较。结果显示，基于独热编码的 SNNRice6mA 在五个评估指标中的四个上都优于基于特征编码的 SNNRice6mA-feature。这表明，对于 SNNRice6mA 这个模型来说，简单的独热编码是一种更有效的特征表示方法，它使得 CNN 能够更好地自动学习特征。

3.3 跨物种评估

为了测试在水稻数据集上训练的模型是否可以用于预测其他物种的 DNA 6mA 位点，作者进行了一项跨物种评估。

将在 6mA-rice-Lv 数据集上训练的 SNNRice6mA 模型，用于预测一个小鼠 6mA 数据集（6mA-mouse-Feng）。同时，也对 i6mA-Pred, iDNA6mA, MM-6mAPred 这三种方法进行了同样的评估。

SNNRice6mA 取得了61.81%的预测准确率。这一准确率高于其他三种方法（分别为52.43%, 41.93%, 44.11%）。尽管这个跨物种预测的准确率还有待提高，但它已经显示出 SNNRice6mA 模型具有一定的泛化能力和潜力。

综上所述，SNNRice6mA 通过一个简单而有效的 CNN 架构，在水稻基因组的 6mA 位点预测任务上取得了优于现有先进方法的性能，证明了深度学习在这一领域的巨大潜力。