DCNN-4mC: Densely connected neural network basedN4-methylcytosine site prediction in multiple speci

DCNN-4mC:基于密集连接神经网络的多物种N4-甲基胞嘧啶位点预测

期刊：ELSEVIER

论文链接：https://www.sciencedirect.com/science/article/pii/S2001037021004566?via%3Dihub

代码与数据集：没有，结果有待考证

一、摘要

这篇文章设计出了一种，基于神经网络的工具，命名为为DCNN-4mc，用于识别4mc位点。模型包括彝族具有跳跃链接的神经网络层，其允许与密集层共享浅层特征。跳过连接允许收集关于4mC站点关键信息。用了12种数据集。

二、方法与数据集

数据集：C. elegans、C. elegans、A. thaliana、A. thaliana、G. pickeringii、Mus musculus、Mus musculus、S. cerevisiae、Tolypocladium、F. vesca、R. chinensis

方法：

总体流程：DCNN-4mC预测器的开发包括以下五个主要步骤:数据集准备；序列编码；CNN模型训练；模型评估；网络服务器的产生。在第一步中，在进行了广泛的文献查阅后，我们从文献中收集了不同物种的所有可用数据集。此外，每个物种的单一数据集是在现有数据集的帮助下准备的。在第二步中，我们对输入序列进行一键编码。第三步包括从编码序列中训练CNN模型。在第四步中，我们使用10重交叉验证并通过使用独立的测试数据集来评估训练的模型。基于不同的品质因数进行模型评估。第五步包括为医学和生物信息学专家建立一个网络服务器。

 特征编码：二进制

模型：CNN。该网络由一维(1-D)卷积层、最大汇集层、分离层和全连接层组成。预处理后，数据首先通过1-D卷积层，以提取鲁棒和有意义的特征，供进一步处理。除非明确指定，否则每个1-D卷积层后面都有一个批标准化(BN)层和一个激活层。除了最后一层，我们在整个网络中使用整流线性单元(ReLU)作为激活函数。

我们通过引入跳跃连接进一步增强了网络的代表性。跳跃连接遵循身份映射的概念[37]，这有助于更有效地训练网络。与原始的跳过连接相反，我们不是将输入添加到卷积层的输出，而是将两个特征连接起来，然后将它们传递到下一个卷积层进行进一步处理。执行连接操作以将浅层特征与深层特征相结合。因为它允许网络根据输入序列自适应地赋予每个特征图以重要性，而不会扭曲先前层的提取特征。进行超参数调谐是为了选择整个网络的更精细的参数。用于调整的超参数如表2所示。而表3示出了为CNN模型选择的参数。在执行三个连续的跳过一维卷积之后，我们执行最大池操作，然后是丢弃层，以避免过拟合，并增加网络对看不见的序列的泛化。最后，从卷积层提取的特征被展平并传递到完全连接的层，用于将序列分类为4mC和非4mC。Sigmoid用作网络输出层的激活函数。

三、结果

 四、结论

       在这项研究中，提出了一种基于神经网络的工具，称为DCNN4mC，用于4mC位点预测。这个工具是一个基于CNN的框架，带有skip连接，使用一键编码方案对原始DNA序列进行编码。DCNN4mC工具有助于解决之前提出的框架中缺乏的概化问题。在这项研究中，我们收集了不同物种的所有可用数据集。其中相似物种的不同数据集被有效地组合成单个数据集，以便未来的研究人员可以拥有单个基准数据集。到目前为止，在生物信息学数据集上对12个不同物种的4mC位点分类进行了探索。所提出的模型展示了最先进的结果，并优于所有现有的架构。提出的工具中的跳跃连接有助于学习不同物种的insight基因组学特征，跨物种验证的结果证明了这一点。该方法不仅在现有数据库上取得了较高的结果，而且在更新后的数据集上也表现良好。为了方便研究团体，我们为这个强大的工具制作了一个可免费访问的网络服务器，用于从DNA序列进行高通量4mC位点分类。