RNA N6-Methyladenosine Site Identification in Different-优快云博客

本文链接：https://blog.youkuaiyun.com/zpj1997/article/details/118937499

m6A-NeuralTool是一个新的计算工具，用于预测RNA中的N6-甲基腺苷(m6A)修饰。该模型采用三个独立训练的子架构，结合了卷积、最大池化和丢弃层等技术，提高了预测准确性。在多种物种数据集上的10倍交叉验证显示优于现有方法。此外，作者提供了在线平台供用户访问和使用数据集进行预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

m6A-NeuralTool: Convolution Neural Tool for RNA N6-Methyladenosine Site Identificationin Different Species

作者:

MOBEEN UR REHMAN, KIM JEE HONG, HILAL TAYARA,
AND KIL TO CHONG

目的：

对于N6-甲基腺苷(m6A)在RNA中甲基化修饰的一个预测。

结果：

作者提出了一个m6A-NeuralTool的计算工具，该工具使用了多个子架构，并有效的识别了RNA-m6A修饰。该模型使用10倍交叉验证对四种不同的物种进行评估，与现有最先进模型相比，其模型对所有物种数据集都有很大的进步。最后作者提供了相应网站便于大家访问，该网站提供数据集的下载及预测：http://nsclbio.jbnu.ac.kr/tools/m6A-NeuralTool/.

数据集介绍

在这里插入图片描述

模型框架

在这里插入图片描述
== Convolution 1 Dimension (Conv1D), Layer Normalization (LN), MaxPool (Max Pooling), Spatial
Dropout (SD), Dense (D), Conv1d (number of filters, size of filters, stride length), MaxPool (pool size, stride length), SD (ratio of features discarded),
Support Vector Machine (SVM), Naive Bayes (NB), Majority Voting (M.V). ==

* 由三个子结构构成，并且是训练时是分别单独训练的，也就是三个子模型的输出并不是作为特征提取的作用，而是为最终投票而计算应用得其结果 *

其中三个子结构前部分结构一致，只是卷积核大小不同。

实验结果：

该实验结果为十倍交叉验证结果
在这里插入图片描述

== 验证模型的泛化能 ==
研究人员找到酿酒酵母的另一个数据集，命名为 M6A2614，作为独立数据集用来研究所提出的模型。该数据集中 1307个正样本，1307个负样本。我们使用M6A6540dataset of S. cerevisiae (benchmark dataset)作为模型训练，然后测试泛化能力，实验结果如下：
在这里插入图片描述