Deep neural networks identify sequence context features predictive of transcription factor binding.
Deep neural networks identify sequence context features predictive of transcription factor binding.
复制标题
深度神经网络识别序列上下文特征预测转录因子结合。
DOI：
10.1038/s42256-020-00282-y
复制
发表时间：
2021-03
影响因子：
23.8
通讯作者：
Gymrek M
中科院分区：
文献类型：
--
作者：
Zheng A;Lamkin M;Zhao H;Wu C;Su H;Gymrek M
转录因子（TFs）通过识别特定的序列基序与DNA结合，通常长度为6-12bp。一个基序可以在人类基因组中出现成千上万次，但只有这些位点的一个子集真正结合在一起。在这里，我们提出了一个机器学习框架，利用现有的卷积神经网络架构和模型解释技术来识别和解释序列上下文特征，这些特征对于预测特定的基序实例是否将被绑定最为重要。我们应用我们的框架来预测淋巴母细胞样细胞系中38个TFs在基序上的结合，在碱基对分辨率上对上下文序列的重要性进行评分，并表征最能预测结合的上下文特征。我们发现，训练数据的选择严重影响分类精度和特征的相对重要性，如开放染色质。总的来说，我们的框架能够对预测TF结合的特征有新的见解，并可能为未来的深度学习应用提供信息，以解释非编码遗传变异。
Transcription factors (TFs) bind DNA by recognizing specific sequence motifs, typically of length 6–12bp. A motif can occur many thousands of times in the human genome, but only a subset of those sites are actually bound. Here we present a machine learning framework leveraging existing convolutional neural network architectures and model interpretation techniques to identify and interpret sequence context features most important for predicting whether a particular motif instance will be bound. We apply our framework to predict binding at motifs for 38 TFs in a lymphoblastoid cell line, score the importance of context sequences at base-pair resolution, and characterize context features most predictive of binding. We find that the choice of training data heavily influences classification accuracy and the relative importance of features such as open chromatin. Overall, our framework enables novel insights into features predictive of TF binding and is likely to inform future deep learning applications to interpret non-coding genetic variants.
登录
查看更多内容
DOI：
10.1093/bioinformatics/btr064
发表时间：
2011-04-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Grant CE;Bailey TL;Noble WS
通讯作者：
Noble WS
影响因子：
30.8
作者：
Lee D;Gorkin DU;Baker M;Strober BJ;Asoni AL;McCallion AS;Beer MA
通讯作者：
Beer MA
深图式仪表板：使用深神经网络可视化和理解基因组序列。
DOI：
10.1142/9789813207813_0025
发表时间：
2017
影响因子：
--
作者：
Lanchantin J;Singh R;Wang B;Qi Y
通讯作者：
Qi Y
影响因子：
3
作者：
Westholm JO;Xu F;Ronne H;Komorowski J
通讯作者：
Komorowski J
影响因子：
14.9
作者：
Khan A;Fornes O;Stigliani A;Gheorghe M;Castro-Mondragon JA;van der Lee R;Bessy A;Chèneby J;Kulkarni SR;Tan G;Baranasic D;Arenillas DJ;Sandelin A;Vandepoele K;Lenhard B;Ballester B;Wasserman WW;Parcy F;Mathelier A
通讯作者：
Mathelier A