阿隆娜·利维·尤根森;泽维尔·特克利;韦塞拉·N·克里斯滕森。;佐哈尔·亚基尼 利用深度学习和注意力从序列和基因表达预测甲基化。 （英语） Zbl 1416.92061号 伊恩·霍姆斯（编辑）等人，《计算生物学算法》。2019年5月28日至30日在美国加利福尼亚州伯克利举行的第六届AlCoB国际会议。诉讼程序。查姆：斯普林格。莱克特。注释计算。科学。11488, 179-190 (2019). 摘要：DNA甲基化与基因表达的改变密切相关，在多种疾病尤其是癌症的表现中起着关键作用。因此，从分子生物学的角度来看，甲基化的序列决定因素以及甲基化与表达之间的关系非常有趣。已经提出了几个模型来支持甲基化状态的预测。然而，这些模型有两个主要局限性：（a）它们局限于特定的CpG位点；（b）不容易理解。我们通过专注的深度学习来解决这些局限性。我们建立了一个通用模型，该模型仅基于样本的基因表达谱和CpG周围的序列来预测给定样本在任何CpG位置的DNA甲基化。根据基因-CpG的接近性，我们的模型在CpG位置和受试者（癌症和健康样本）的两个独立测试集上的数千个CpG位点上获得了高达0.84的Spearman相关性。重要的是，我们的方法，特别是注意力的使用，提供了一个新的框架，当与序列信息相结合时，可以从基因表达数据中提取有价值的见解。我们通过将几个基序和基因与甲基化活性联系起来来证明这一点，包括Nodal和Hand1。代码和训练过的重量可从以下网址获得：https://github.com/YakhiniGroup/甲基化.关于整个系列，请参见[Zbl 1416.92001号]. MSC公司： 92C40型 生物化学、分子生物学 2008年9月 生物学问题的计算方法 关键词：基因组学;甲基化;深度学习;注意 软件：DRIMust公司;github;亚当;甲基化 PDF格式BibTeX公司 XML格式引用 \textit{A.Levy-Jurgenson}等人，Lect。注释计算。科学。11488、179--190（2019年；Zbl 1416.92061） 全文： 内政部 内政部