0. TL; DR

本研究提出了一个针对草莓 (F. vesca) 和月季 (R. chinensis) 基因组的高效模型iRG-4mC。iRG-4mC 将独热编码和核苷酸化学性质 (NCP) 两种编码方案进行融合。模型采用了一个包含两个卷积特征提取块和一个 LSTM 层的混合架构。

在与现有的最先进计算模型 i4mC-ROSE 的比较中，iRG-4mC 在草莓和月季的训练集和独立测试集上均表现出显著的性能优势，准确率提升了6.2%到10.6%不等。

1. 背景介绍

DNA 修饰在基因调控中扮演着关键角色。DNA 甲基化作为一种可遗传的表观遗传标记，能够在不改变 DNA 序列的情况下改变遗传功能。N4-甲基胞嘧啶 (4mC)、5-甲基胞嘧啶 (5mC) 和 N6-甲基腺嘌呤 (6mA) 是在原核和真核生物中最常见的三种甲基化类型。

其中，4mC 在原核生物中作为限制-修饰 (restriction-modification) 系统的一部分，能够保护宿主 DNA 免受限制性内切酶的降解，并参与调控 DNA 复制和修复。然而，尽管 4mC 的生物学功能非常重要，但对其准确机制的了解仍然不足，这使得识别 4mC 位点成为一项重要的任务。

尽管存在多种实验方法（如 SMRT 测序、质谱分析等）来鉴定 4mC 位点，但这些方法通常耗时、费力且成本高昂，不适合进行全基因组范围的检测。因此，开发计算方法来识别 4mC 位点变得至关重要。

近年来，已有一系列针对不同物种的 4mC 位点识别器被提出。然而，针对蔷薇科基因组，此前仅有一个名为 i4mC-ROSE 的计算工具。该工具利用了六种不同的特征编码方案和随机森林 (random forest) 分类器。尽管其取得了一定的成果，但仍有提升空间。

受神经网络在生物信息学领域（如 6mA 和 m6A 位点识别）取得巨大成功的启发，作者提出了一个基于神经网络的工具iRG-4mC，旨在为蔷薇科基因组提供一个更准确、更高效的 4mC 位点识别方法。

2. iRG-4mC方法

作者提出了一个名为 iRG-4mC 的、基于神经网络的预测工具。该方法的核心在于其独特的特征编码融合策略和 CNN+LSTM 的混合网络架构。

2.1 基准数据集

作者从 MDR 数据库获取了草莓 (F. vesca) 和月季 (R. chinensis) 两个物种的 4mC 数据。

所有序列长度均为41 bp，中心为胞嘧啶。保留修饰 QV (ModQV) 分数 > 19 的序列作为高质量的阳性样本。使用 CD-HIT 软件，以65%的序列相似性为阈值，移除了冗余序列。从基因组中随机选取与阳性样本数量相同的负样本，以避免类别不平衡问题。将数据集按75:25的比例划分为训练集和独立测试集。

2.2 方法论

iRG-4mC 的整体架构如图所示，主要包括特征编码和 CNN 模型两个部分。

2.2.1 特征编码融合

为了获得更丰富的特征表示，作者创新地将两种常用的编码方案进行了融合。

独热编码 (One-Hot Encoding)：将 A, C, G, T 四种核苷酸分别编码为4维的二进制向量。
核苷酸化学性质 (NCP)：根据碱基的环结构、氢键强度和化学功能，将每个碱基编码为一个3维的二进制向量。

将这两种编码进行拼接，最终每个核苷酸被表示为一个7维的向量。因此，一个长度为41 bp的 DNA 序列被转换成一个 $41 \times 7$ 的数值矩阵，作为模型的输入。

2.2.2 CNN 模型架构

作者提出的 CNN 模型包含多个堆叠的层，用于特征提取和分类。

模型包含两个主要的特征提取块。每个块都由一个一维卷积层 (Conv1D)、一个批归一化 (Batch Normalization) 层、一个最大池化 (Max-Pooling) 层和一个 Dropout 层组成。

块1卷积层使用32个大小为9的滤波器，dropout 率为0.1。块2卷积层使用8个大小为5的滤波器，dropout 率为0.25。

在两个 CNN 特征提取块之后，作者加入了一个 LSTM 层。LSTM 能够对 CNN 提取出的特征进行优化，并学习其内部表示，同时通过其门控机制解决了深度网络中可能出现的梯度消失问题。

LSTM 层的输出被一个扁平化 (Flatten) 层展平。然后，特征被送入一个包含三个全连接（Dense）层的网络进行最终的分类。

所有卷积层、LSTM 层和前两个全连接层都使用 ReLU 激活函数，而最后一个输出层则使用 sigmoid 激活函数。

使用随机梯度下降 (SGD) 作为优化器，损失函数为二元交叉熵。为了防止过拟合，作者在卷积层和全连接层中都使用了 L2 正则化。

3. 实验分析

作者对 iRG-4mC 在草莓和月季两个物种的训练集和独立测试集上进行了评估，并与现有的最先进工具 i4mC-ROSE 进行了比较。

3.1 性能比较

该表详细列出了 iRG-4mC 和 i4mC-ROSE 在四个数据集（两个物种，每个物种一个训练集和一个独立测试集）上的性能比较。

F. vesca (训练集): iRG-4mC 的准确率（86.65%）比 i4mC-ROSE（76.7%）高出近10个百分点，MCC 值（0.732）也远高于对手（0.545）。
R. chinensis (训练集): iRG-4mC 的准确率（87.1%）比 i4mC-ROSE（78.4%）高出超过8.7个百分点。
F. vesca (独立测试集): iRG-4mC 的准确率（85.9%）比 i4mC-ROSE（79.7%）高出6.2个百分点。
R. chinensis (独立测试集): iRG-4mC 的准确率（86.5%）比 i4mC-ROSE（75.9%）高出超过10.6个百分点。

该图直观地展示了 iRG-4mC 相对于 i4mC-ROSE 在四个数据集上的性能优势。可以看到，在所有四个数据集上，iRG-4mC 的 Accuracy 和 MCC 指标都显著更高。

作者指出，i4mC-ROSE 的敏感性 (Sensitivity) 和特异性 (Specificity) 之间存在较大差异，这表明该模型可能对某一类样本存在偏向性。相比之下，iRG-4mC 在这两个指标之间取得了更好的平衡，这也反映在其更高的 MCC 值上。

该图展示了 iRG-4mC 在 F. vesca 数据集上进行10折交叉验证时的 ROC 曲线。十次验证的 ROC 曲线都非常接近，表明模型性能稳定。平均 AUC 值达到了0.903，标准差为0.03，进一步证明了模型的优越性和鲁棒性。

综上所述，iRG-4G-4mC 通过其创新的特征编码融合策略和精心设计的 CNN+LSTM 混合架构，在蔷薇科基因组的 4mC 位点识别任务上取得了显著优于现有方法的性能，并为该领域的研究提供了有力的计算工具。