MultiScale-CNN-4mCPred: una CNN multiescala y un método basado en la incrustación adaptativa para la predicción de N4-metilcitosina del ADN del genoma del ratón | BMC Bioinformática

  • Greenberg MVC, Bourc’his D. Las diversas funciones de la metilación del ADN en el desarrollo y la enfermedad de los mamíferos. Nat Rev Mol Cell Biol. 2019;20:590–607. https://doi.org/10.1038/s41580-019-0159-6.

    Artículo
    CAS

    Google Académico

  • Unnikrishnan A, Freeman WM, Jackson J, Wren JD, Porter H, Richardson A. El papel de la metilación del ADN en la epigenética del envejecimiento. Pharmacol Ther. 2019;195:172–85. https://doi.org/10.1016/j.pharmthera.2018.11.001.

    Artículo
    CAS

    Google Académico

  • Koch A, Joosten SC, Feng Z, de Ruijter TC, Draht MX, Melotte V, Smits KM, Veeck J, Herman JG, Van Neste L, et al. Análisis de la metilación del ADN en el cáncer: ubicación revisada. Nat Rev Clin Oncol. 2018;15:459–66. https://doi.org/10.1038/s41571-018-0004-4.

    Artículo
    CAS

    Google Académico

  • Baylin S. Metilación del ADN y silenciamiento génico en el cáncer. Nat Clin Pract Oncol. 2005;2:S4–11. https://doi.org/10.1038/ncponc0354.

    Artículo
    CAS

    Google Académico

  • Zhao LY, Song J, Liu Y, Song CX, Yi C. Mapeo de las modificaciones epigenéticas del ADN y el ARN. Célula de proteína. 2020;11:792–808. https://doi.org/10.1007/s13238-020-00733-7.

    Artículo
    CAS

    Google Académico

  • Ramsawhook AH, Lewis LC, Eleftheriou M, Abakir A, Durczak P, Markus R, Rajani S, Hannan NRF, Coyle B, Ruzov A. Inmunostinción para modificaciones de ADN: análisis computacional de imágenes confocales. J Vis Exp. 2017. https://doi.org/10.3791/56318.

    Artículo

    Google Académico

  • Yang S, Wang Y, Chen Y, Dai Q. MASQC: la secuenciación de próxima generación ayuda a la secuenciación de tercera generación para el control de calidad en la identificación del ADN de N6-metiladenina. Geneta delantera. 2020;11:269. https://doi.org/10.3389/fgene.2020.00269.

    Artículo
    CAS

    Google Académico

  • Costello JF, Plass C. Asuntos de metilación. J Med Genet. 2001;38:285–303. https://doi.org/10.1136/jmg.38.5.285.

    Artículo
    CAS

    Google Académico

  • Chen W, Yang H, Feng P, Ding H, Lin H. iDNA4mC: identificación de sitios de ADN N4-metilcitosina en función de las propiedades químicas de los nucleótidos. Bioinformática. 2017;33:3518–23. https://doi.org/10.1093/bioinformatics/btx479.

    Artículo
    CAS

    Google Académico

  • Ehrlich M, Wang RY. 5-Metilcitosina en ADN eucariótico. Ciencia. 1981;212:1350–7. https://doi.org/10.1126/science.6262918.

    Artículo
    CAS

    Google Académico

  • Davis BM, Chao MC, Waldor MK. Entrando en la era de la epigenómica bacteriana con la secuenciación de ADN en tiempo real de una sola molécula. Curr Opin Microbiol. 2013;16:192–8. https://doi.org/10.1016/j.mib.2013.01.011.

    Artículo
    CAS

    Google Académico

  • Pataillot-Meakin T, Pillay N, Beck S. 3-metilcitosina en el cáncer: ¿una lesión de metilo subestimada? Epigenómica. 2016;8:451–4. https://doi.org/10.2217/epi.15.121.

    Artículo
    CAS

    Google Académico

  • Moore LD, Le T, Fan G. Metilación del ADN y su función básica. Neuropsicofarmacología. 2013;38:23–38. https://doi.org/10.1038/npp.2012.112.

    Artículo
    CAS

    Google Académico

  • Jones PA. Funciones de la metilación del ADN: islas, sitios de inicio, cuerpos genéticos y más. Nat Rev. Genet. 2012;13:484–92. https://doi.org/10.1038/nrg3230.

    Artículo
    CAS

    Google Académico

  • Ling C, Groop L. Epigenética: un vínculo molecular entre los factores ambientales y la diabetes tipo 2. Diabetes. 2009;58:2718–25. https://doi.org/10.2337/db09-1003.

    Artículo
    CAS

    Google Académico

  • Yao B, Jin P. Modificaciones de citosina en neurodesarrollo y enfermedades. Célula Mol Life Sci. 2014;71:405–18. https://doi.org/10.1007/s00018-013-1433-y.

    Artículo
    CAS

    Google Académico

  • Hou R, Wu J, Xu L, Zou Q, Wu YJ. Predicción computacional de la metilación de la proteína arginina basada en características de composición-transición-distribución. ACSOmega. 2020;5:27470–9. https://doi.org/10.1021/acsomega.0c03972.

    Artículo
    CAS

    Google Académico

  • Manavalan B, Hasan MM, Basith S, Gosu V, Shin TH, Lee G. Comparación empírica y análisis de herramientas de predicción de sitios de N4-metilcitosina de ADN basadas en la web. Mol Ther Nucl Acids. 2020;22:406–20. https://doi.org/10.1016/j.omtn.2020.09.010.

    Artículo
    CAS

    Google Académico

  • Khanal J, Tayara H, Zou Q, Chong KT. Identificación de sitios de ADN N4-metilcitosina en el genoma de las rosáceas con un modelo de aprendizaje profundo que se basa en la representación de características distribuidas. Comput Struct Biotechnol J. 2021;19:1612–9. https://doi.org/10.1016/j.csbj.2021.03.015.

    Artículo
    CAS

    Google Académico

  • Yu M, Ji L, Neumann DA, Chung DH, Groom J, Westpheling J, He C, Schmitz RJ. Detección de resolución de base de N 4-metilcitosina en ADN genómico usando secuenciación de bisulfito asistida por 4mC-Tet. Ácidos nucleicos Res. 2015. https://doi.org/10.1093/nar/gkv738.

    Artículo

    Google Académico

  • Huang G, Shen Q, Zhang G, Wang P, Yu ZG. LSTMCNNsucc: un método de aprendizaje profundo basado en LSTM y CNN bidireccional para predecir los sitios de succinilación de lisina. Biomed Res Int. 2021;2021:9923112. https://doi.org/10.1155/2021/9923112.

    Artículo
    CAS

    Google Académico

  • Huang G, Zheng Y, Wu YQ, Han GS, Yu ZG. Un enfoque basado en la entropía de la información para identificar computacionalmente la butirilación de histona lisina. Geneta delantera. 2019;10:1325. https://doi.org/10.3389/fgene.2019.01325.

    Artículo
    CAS

    Google Académico

  • Huang G, Zeng W. Un modelo discreto oculto de Markov para detectar sitios de crotonillisina de histonas. PARTIDO Matemáticas comunes Comput Chem. 2016;75:717–30.

    Google Académico

  • Lv Z, Zhang J, Ding H, Zou Q. RF-PseU: un predictor de bosque aleatorio para sitios de pseudouridina de ARN. Frente Bioeng Biotechnol. 2020;8:134. https://doi.org/10.3389/fbioe.2020.00134.

    Artículo

    Google Académico

  • Chen W, Xing P, Zou Q. Detección de sitios de N6-metiladenosina a partir de transcriptomas de ARN utilizando máquinas de vectores de soporte de conjunto. Sci Rep. 2017;7:1–8. https://doi.org/10.1038/srep40242.

    Artículo
    CAS

    Google Académico

  • He W, Jia C, Zou Q. 4mCPred: métodos de aprendizaje automático para la predicción de sitios de ADN N4-metilcitosina. Bioinformática. 2019;35:593–601. https://doi.org/10.1093/bioinformatics/bty668.

    Artículo
    CAS

    Google Erudito

  • Dai Q, Bao C, Hai Y, Ma S, Zhou T, Wang C, Wang Y, Huo W, Liu X, Yao Y, et al. MTGIpick permite una identificación robusta de islas genómicas a partir de un solo genoma. Breve Bioinforme. 2018;19:361–73. https://doi.org/10.1093/bib/bbw118.

    Artículo
    CAS

    Google Académico

  • Kulmanov M, Hoehndorf R. DeepGOPlus: predicción mejorada de la función de la proteína a partir de la secuencia. Bioinformática. 2020;36:422–9. https://doi.org/10.1093/bioinformatics/btz595.

    Artículo
    CAS

    Google Académico

  • Yu G, Zhao Y, Lu C, Wang J. HashGO: ontología de genes hash para la predicción de la función de proteínas. Computar Biol Chem. 2017;71:264–73. https://doi.org/10.1016/j.compbiolchem.2017.09.010.

    Artículo
    CAS

    Google Académico

  • Callaway E. “Cambiará todo”: la IA de DeepMind da un salto gigantesco en la resolución de estructuras proteicas. Naturaleza. 2020;588:203–5. https://doi.org/10.1038/d41586-020-03348-4.

    Artículo
    CAS

    Google Académico

  • Saberi-Movahed F, Rostami M, Berahmand K, Karami S, Tiwari P, Oussalah M, Band SS. Selección de características no supervisada regularizada dual basada en factorización de matriz y redundancia mínima con aplicación en selección de genes. Sistema basado en conocimientos. 2022;256:109884. https://doi.org/10.1016/j.knosys.2022.109884.

    Artículo

    Google Académico

  • Azadifar S, Rostami M, Berahmand K, Moradi P, Oussalah M. Método de selección de genes de relevancia-redundancia basado en gráficos para el diagnóstico del cáncer. Comput Biol Med. 2022;147:105766. https://doi.org/10.1016/j.compbiomed.2022.105766.

    Artículo
    CAS

    Google Académico

  • Rostami M, Oussalah M, Farrahi V. Un novedoso sistema de recomendación de alimentos consciente del tiempo basado en el aprendizaje profundo y la agrupación de gráficos. Acceso IEEE. 2022;10:52508–24.

    Artículo

    Google Académico

  • Manavalan B, Basith S, Shin TH, Wei L, Lee G. Meta-4mCpred: un metapredictor basado en secuencias para la predicción precisa del sitio de ADN 4mC mediante una representación de características efectiva. Mol Therapy-Nucl Acids. 2019;16:733–44. https://doi.org/10.1016/j.omtn.2019.04.019.

    Artículo
    CAS

    Google Académico

  • Wei L, Su R, Luan S, Liao Z, Manavalan B, Zou Q, Shi X. Las representaciones de características iterativas mejoran la predicción del sitio N4-metilcitosina. Bioinformática. 2019;35:4930–7. https://doi.org/10.1093/bioinformatics/btz408.

    Artículo
    CAS

    Google Académico

  • Manavalan B, Basith S, Shin TH, Lee DY, Wei L, Lee G. 4mCpred-EL: un marco de aprendizaje conjunto para la identificación de sitios de ADN N(4)-metilcitosina en el genoma del ratón. Células. 2019;8:1332. https://doi.org/10.3390/cells8111332.

    Artículo
    CAS

    Google Académico

  • Hasan MM, Manavalan B, Shoombuatong W, Khatun MS, Kurata H. i4mC-Mouse: Identificación mejorada de sitios de ADN N4-metilcitosina en el genoma del ratón utilizando múltiples esquemas de codificación. Comput Struct Biotechnol J. 2020;18:906–12. https://doi.org/10.1016/j.csbj.2020.04.001.

    Artículo
    CAS

    Google Académico

  • Abbas Z, Tayara H, Chong KT. 4mCPred-CNN: predicción de ADN N4-metilcitosina en el genoma del ratón utilizando una red neuronal convolucional. genes 2021;12:296. https://doi.org/10.3390/genes12020296.

    Artículo
    CAS

    Google Académico

  • Jin J, Yu Y, Wei L. Mouse4mC-BGRU: aprendizaje profundo para predecir sitios de ADN N4-metilcitosina en el genoma del ratón. Métodos. 2022;204:258–62. https://doi.org/10.1016/j.ymeth.2022.01.009.

    Artículo
    CAS

    Google Académico

  • Zulfiqar H, Khan RS, Hassan F, Hippe K, Hunt C, Ding H, Song XM, Cao R. Identificación computacional de sitios N4-metilcitosina en el genoma del ratón con método de aprendizaje automático. MBE. 2021;18:3348–63. https://doi.org/10.3934/mbe.2021167.

    Artículo

    Google Académico

  • Li Y, Zhao Z, Teng Z, Scribante A. i4mC-EL: identificación de sitios de ADN N4-metilcitosina en el genoma del ratón mediante el aprendizaje de conjuntos. Biomed Res Int. 2021;2021:1–11. https://doi.org/10.1155/2021/5515342.

    Artículo
    CAS

    Google Académico

  • Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Representaciones distribuidas de palabras y frases y su composicionalidad. Adv Neural Inf Process Syst. 2013;26:3111–9.

    Google Académico

  • Mikolov T, Chen K, Corrado G, Dean J. Estimación eficiente de las representaciones de palabras en el espacio vectorial. preimpresión de arXiv arXiv:13013781. 2013. https://doi.org/10.48550/arXiv.1301.3781.

  • Liu Q, Chen J, Wang Y, Li S, Jia C, Song J, Li F. DeepTorrent: un enfoque basado en el aprendizaje profundo para predecir los sitios de N4-metilcitosina del ADN. Breve Bioinforme. 2020. https://doi.org/10.1093/bib/bbaa124.

    Artículo

    Google Académico

  • Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Todo lo que necesita es atención. En: Actas de la 31.ª Conferencia Internacional sobre Sistemas de Procesamiento de Información Neural. Long Beach, California, Estados Unidos; 2017. pág. 6000-10

    Google Académico

  • Devlin J, Chang MW, Lee K, Toutanova K. Bert: Entrenamiento previo de transformadores bidireccionales profundos para la comprensión del lenguaje. preimpresión de arXiv arXiv:181004805. 2018. https://doi.org/10.48550/arXiv.1810.04805.

  • Schuster M, Paliwal KK. Redes neuronales recurrentes bidireccionales. Proceso de transseñal IEEE. 1997;45:2673–81. https://doi.org/10.1109/78.650093.

    Artículo

    Google Académico

  • Gu J, Wang Z, Kuen J, Ma L, Shahroudy A, Shuai B, Liu T, Wang X, Wang G, Cai J, et al. Avances recientes en redes neuronales convolucionales. Reconocimiento de patrones. 2018;77:354–77. https://doi.org/10.1016/j.patcog.2017.10.013.

    Artículo

    Google Académico

  • Shin HC, Roth HR, Gao M, Lu L, Xu Z, Nogues I, Yao J, Mollura D, Summers RM. Redes neuronales convolucionales profundas para detección asistida por computadora: arquitecturas CNN, características de conjuntos de datos y aprendizaje de transferencia. IEEE Trans Med Imaging. 2016;35:1285–98. https://doi.org/10.1109/TMI.2016.2528162.

    Artículo

    Google Académico

  • Inglesfield J. Un método de incrustación. J Phys C: estado sólido Phys. 1981; 14:3795.

    Artículo
    CAS

    Google Académico

  • LeCun Y, Boser B, Denker JS, Henderson D, Howard RE, Hubbard W, Jackel LD. Backpropagation aplicado al reconocimiento de códigos postales escritos a mano. Cómputo neuronal. 1989; 1: 541–51. https://doi.org/10.1162/neco.1989.1.4.541.

    Artículo

    Google Académico

  • LeCun Y, Bottou L, Bengio Y, Haffner P. Aprendizaje basado en gradientes aplicado al reconocimiento de documentos. Proc IEEE. 1998;86:2278–324. https://doi.org/10.1109/5.726791.

    Artículo

    Google Académico

  • Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. Imagenet: una base de datos de imágenes jerárquicas a gran escala. En: 2009 IEEE conferencia sobre visión artificial y reconocimiento de patrones: 2009. IEEE: 248–255.

  • Zeiler MD, Fergus R. Visualización y comprensión de redes convolucionales. En: Fleet D, Pajdla T, Schiele B, Tuytelaars T, editores. Conferencia europea sobre visión artificial. Saltador; 2014. pág. 818–33.

    Google Académico

  • Simonyan K, Zisserman A. Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala. preimpresión de arXiv arXiv:14091556. 2014. https://doi.org/10.48550/arXiv.1409.1556.

  • Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Profundizando con las circunvoluciones. En: Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones: 2015. 1–9.

  • He K, Zhang X, Ren S, Sun J. Aprendizaje residual profundo para el reconocimiento de imágenes. En: Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones: 2016. 770–778.

  • Albawi S, Mohammed TA, Al-Zawi S. Comprensión de una red neuronal convolucional. En: 2017 conferencia internacional de ingeniería y tecnología (ICET): 2017. IEEE: 1–6.

  • Yin X, Goudriaan J, Lantinga EA, Vos J, Spiertz HJ. Una función sigmoidea flexible de crecimiento determinado. Ana Bot. 2003;91:361–71. https://doi.org/10.1093/aob/mcg029.

    Artículo

    Google Académico

  • Fan E. Método extendido de la función tanh y sus aplicaciones a ecuaciones no lineales. Phys Lett A. 2000;277:212–8. https://doi.org/10.1016/S0375-9601(00)00725-8.

    Artículo
    CAS

    Google Académico

  • Agarap AF. Deep learning utilizando unidades lineales rectificadas (relu). preimpresión de arXiv arXiv:180308375. 2018. https://doi.org/10.48550/arXiv.1803.08375.

  • Olah C. Comprender las redes lstm. 2015.

  • Bengio Y. Aprendizaje profundo de representaciones para aprendizaje no supervisado y de transferencia. En: Actas del taller ICML sobre aprendizaje no supervisado y de transferencia: 2012. Actas del taller y la conferencia de la JMLR: 17–36.

  • Hochreiter S, Schmidhuber J. Memoria larga a corto plazo. Cómputo neuronal. 1997;9:1735–80. https://doi.org/10.1162/neco.1997.9.8.1735.

    Artículo
    CAS

    Google Académico

  • Lipton ZC, Berkowitz J, Elkan C. Una revisión crítica de las redes neuronales recurrentes para el aprendizaje de secuencias. preimpresión de arXiv arXiv:150600019. 2015. https://doi.org/10.48550/arXiv.1506.00019.

  • Hinton GE, Srivastava N, Krizhevsky A, Sutskever I, Salakhutdinov RR. Mejora de las redes neuronales al evitar la coadaptación de los detectores de características. preimpresión de arXiv arXiv:12070580. 2012. https://doi.org/10.48550/arXiv.1207.0580.

  • Krizhevsky A, Sutskever I, Hinton GE. Clasificación de Imagenet con redes neuronales convolucionales profundas. Adv Neural Inf Process Syst. 2012;60:84–90. https://doi.org/10.1145/3065386.

    Artículo

    Google Académico

  • Bouthillier X, Konda K, Vincent P, Memisevic R. Abandono como aumento de datos. preimpresión de arXiv arXiv:150608700. 2015. https://doi.org/10.48550/arXiv.1506.08700.

  • Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Abandono: una forma sencilla de evitar el sobreajuste de las redes neuronales. J Mach Aprenda Res. 2014;15:1929–58.

    Google Académico

  • Ye P, Luan Y, Chen K, Liu Y, Xiao C, Xie Z. MethSMRT: una base de datos integradora para ADN N6-metiladenina y N4-metilcitosina generada por secuenciación en tiempo real de una sola molécula. Ácidos Nucleicos Res. 2017;45:D85–9. https://doi.org/10.1093/nar/gkw950.

    Artículo
    CAS

    Google Académico

  • Clough E, Barrett T. La base de datos ómnibus de expresión génica. En: Mathé E, Davis S, editores. Genómica estadística. Saltador; 2016. pág. 93–110.

    Capítulo

    Google Académico

  • Leinonen R, Sugawara H, Shumway M. El archivo de lectura de secuencias. Ácidos Nucleicos Res. 2010;39:D19–21. https://doi.org/10.1093/nar/gkq1019.

    Artículo
    CAS

    Google Académico

  • Li W, Godzik A. Cd-hit: un programa rápido para agrupar y comparar grandes conjuntos de secuencias de proteínas o nucleótidos. Bioinformática. 2006;22:1658–9. https://doi.org/10.1093/bioinformatics/btl158.

    Artículo
    CAS

    Google Académico

  • Fuente del artículo

    Deja un comentario