抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
背景:RNAはRNA結合蛋白質(RBP)として知られる蛋白質との相互作用を通じて細胞において鍵となる役割を果たす。RBPが標的RNAを正確に認識する方法とそれらが特定の位置に結合する理由はいまだに解明されていない。機械学習ベースのアルゴリズムはこのプロセスを加速できる。多くの自動化ツールがRNA-蛋白質結合部位を予測するために開発されてきたが,それらのドメイン特異的特徴と形式はかなりの計算的挑戦を課してきた。現在の難題の一つは,交差-ソースを共有した共通知識が観測データを超える高い抽出レベルであり,ドメイン間の観測データの効率の低い直接的統合をもたらすことである。他の課題は予測結果を解釈するための方法である。既存のアプローチは配列上の可能性のある別々の結合部位を出力後に停止する傾向にあり,意味のある結合モチーフにそれらを組立てる方法はさらなる研究の価値がある課題である。結果:RBP相互作用部位およびモチーフを予測するための新規ハイブリッド畳み込み神経ネットワークおよび深層ビリーフネットワークを用いることで,深層学習ベースの枠組み(iDeep)を提案した。この新規プロトコルは,異なるドメイン間で共有された表現が統合される学習ブロックの多数積層を用いて,元の観測データから高レベルの抽出特徴空間に変換する。31の大規模CLIP-seqデータセットに対して実験を実施し,データの複数ソースを統合することで,平均AUCが最良の単一ソースベースの予測子と比較して8%まで向上し,抽出レベルでの交差ドメイン知識統合を通じて最新式の予測子より6%優ることを明らかにした。全部の向上した予測成績に加えて,iDeep内に埋め込まれた畳み込み神経ネットワークモジュールは,RBPに関する解釈可能な結合モチーフを自動的に捕捉できる。大規模実験により,これらの埋め込まれた結合モチーフが実験的に検証された結果と十分に一致することを証明し,iDeepが現実世界への適用において有望なアプローチであることを示唆した。結論:iDeep枠組みは,最新式の予測子よりも有望な成績を達成できるだけでなく,解釈可能な結合モチーフを容易に捕捉できる。iDeepはhttp://www.csbio.sjtu.edu.cn/bioinf/iDeepで利用できる。(翻訳著者抄録)