基于深度學(xué)習(xí)的基因組功能元件的識(shí)別與注釋.pdf

1、新一代測(cè)序技術(shù)（Next-Generation Sequencing，NGS）的出現(xiàn)使得快速、廉價(jià)地獲取全基因組、高通量測(cè)序數(shù)據(jù)成為可能，改變了人們?cè)诨A(chǔ)、應(yīng)用和臨床研究的科研方法，加深了人們對(duì)復(fù)雜生命現(xiàn)象及其機(jī)制的理解，極大地促進(jìn)了多組學(xué)研究的發(fā)展。
　　DNA元件百科全書(shū)計(jì)劃（Encyclopedia of DNA Elements，ENCODE）和表觀路線圖計(jì)劃（Roadmap Epigenomics）是后基因組時(shí)代的最重要

2、的兩個(gè)科研項(xiàng)目，提供了大量ChIP-Seq、RNA-Seq、DNase-Seq等全基因組、高通量、多組學(xué)數(shù)據(jù)。這些多組學(xué)數(shù)據(jù)不是孤立的，他們相互聯(lián)系、相互影響，反映了基因組不同方面的性質(zhì)。因此，我們應(yīng)該有效利用各組學(xué)數(shù)據(jù)之間的技術(shù)差異和互補(bǔ)性，從系統(tǒng)的、整合的角度將多組學(xué)數(shù)據(jù)結(jié)合起來(lái)進(jìn)行集成研究，從系統(tǒng)水平上解決生物學(xué)問(wèn)題，從而揭示生命現(xiàn)象背后隱藏的秘密。
　　為了解決基因組不同類(lèi)型的功能元件的識(shí)別難題，人們需要大量有待解決問(wèn)題的

3、生物背景知識(shí)，基于這些先驗(yàn)知識(shí)人為地設(shè)計(jì)一系列諸如過(guò)濾、合并、重疊的操作流程來(lái)識(shí)別相應(yīng)的功能元件，但是這嚴(yán)重地依賴(lài)于人們對(duì)相關(guān)問(wèn)題的先驗(yàn)認(rèn)知的程度。另外，人們也開(kāi)發(fā)了一些生物信息學(xué)算法和軟件來(lái)識(shí)別功能元件，并取得了一定成效，但是這些算法和軟件從本質(zhì)上來(lái)說(shuō)屬于淺層學(xué)習(xí)（Shallow Learning），其數(shù)據(jù)刻畫(huà)和特征學(xué)習(xí)的能力有限，因此它們整合海量、復(fù)雜的多組學(xué)數(shù)據(jù)并從中發(fā)現(xiàn)規(guī)律的能力大大受到限制。
　　2006年Geoffre

4、y Hinton在《科學(xué)》雜志上的一篇開(kāi)創(chuàng)性的文章掀起了深度學(xué)習(xí)（Deep Learning）的浪潮。深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）研究的延伸和拓展，利用深度學(xué)習(xí)建立的深層神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）具有優(yōu)異的特征學(xué)習(xí)能力，通過(guò)逐層的抽象和特征提取，可以對(duì)大量訓(xùn)練樣本進(jìn)行更本質(zhì)的數(shù)據(jù)刻畫(huà)和學(xué)習(xí)統(tǒng)計(jì)學(xué)規(guī)律，從而對(duì)新的未知數(shù)據(jù)做出更加精準(zhǔn)的預(yù)測(cè)。
　

5、　本文根據(jù)不同的特定生物學(xué)問(wèn)題和相應(yīng)的特定數(shù)據(jù)類(lèi)型，基于對(duì)深度學(xué)習(xí)等各種機(jī)器學(xué)習(xí)算法的扎實(shí)理論基礎(chǔ)和實(shí)際應(yīng)用經(jīng)驗(yàn)，首先“因地制宜”地設(shè)計(jì)和開(kāi)發(fā)了適合不同生物學(xué)問(wèn)題的不同深度學(xué)習(xí)算法。接著利用 ENCODE計(jì)劃和NIH Roadmap Epigenomics計(jì)劃提供的大量的全基因組、高通量NGS數(shù)據(jù)，從系統(tǒng)的、整合的角度進(jìn)行集成研究，利用已建立的基于深度學(xué)習(xí)的算法識(shí)別全基因組的各種不同功能元件。最后，基于算法識(shí)別的全基因組功能元件，從表觀

6、組蛋白修飾、基因表達(dá)、轉(zhuǎn)錄因子結(jié)合位點(diǎn)、DNA超敏位點(diǎn)、DNA甲基化、保守性、染色質(zhì)三維結(jié)構(gòu)和RNA二級(jí)結(jié)構(gòu)等多個(gè)方面來(lái)分析這些不同功能元件的相關(guān)生物學(xué)性質(zhì)，以及探究其與疾病的關(guān)系。
　　根據(jù)具體的不同生物學(xué)問(wèn)題，本文完成了以下幾個(gè)方面的研究?jī)?nèi)容：
　　首先，基于深度學(xué)習(xí)的人類(lèi)基因組復(fù)制時(shí)間域的識(shí)別與注釋研究。本文從DNA復(fù)制中的復(fù)制時(shí)間域入手，為了解決不同復(fù)制時(shí)間域的識(shí)別難題，本文開(kāi)發(fā)了一種新的、結(jié)合了深層神經(jīng)網(wǎng)絡(luò)和隱馬爾

7、科夫模型（DNN-HMM）的混合算法，利用復(fù)制時(shí)間譜來(lái)識(shí)別相關(guān)的復(fù)制時(shí)間域。通過(guò)性能評(píng)估和比較，結(jié)果表明， DNN-HMM顯著地優(yōu)于傳統(tǒng)的DNN和高斯混合模型—隱馬爾科夫模型（GMM-HMM），同時(shí)也比其他可用于復(fù)制時(shí)間域識(shí)別的6種方法的性能更加優(yōu)秀。基于開(kāi)發(fā)的深度學(xué)習(xí)算法，本文利用新復(fù)制 DNA測(cè)序(Repli-Seq)數(shù)據(jù)和訓(xùn)練好的DNN-HMM模型識(shí)別了15個(gè)細(xì)胞中各種類(lèi)型的復(fù)制時(shí)間域。接下來(lái)的基于多組學(xué)數(shù)據(jù)的整合分析表明DNN-

8、HMM識(shí)別的這些復(fù)制時(shí)間域擁有獨(dú)特的基因組和表觀基因組模式、轉(zhuǎn)錄活性、高階的染色質(zhì)結(jié)構(gòu)，基于這些發(fā)現(xiàn)本文提出了“復(fù)制時(shí)間域”模型。該模型揭示了人類(lèi)基因組中染色質(zhì)組織結(jié)構(gòu)的重要原則，加深了我們對(duì)人類(lèi)基因組調(diào)控復(fù)制時(shí)間機(jī)制的理解。
　　其次，基于深度學(xué)習(xí)的人類(lèi)基因組增強(qiáng)子的識(shí)別研究。增強(qiáng)子在調(diào)控基因的時(shí)空表達(dá)方面具有重要作用，但是全基因組的增強(qiáng)子的預(yù)測(cè)一直受幾個(gè)關(guān)鍵問(wèn)題的制約，因此增強(qiáng)子的預(yù)測(cè)是計(jì)算生物學(xué)中的一大挑戰(zhàn)。本文提出了一種基

9、于深度學(xué)習(xí)的算法框架 PEDLA來(lái)對(duì)增強(qiáng)子進(jìn)行綜合地、無(wú)偏地預(yù)測(cè)。結(jié)果表明， PEDLA能夠整合海量不同類(lèi)型的異構(gòu)數(shù)據(jù)，使得預(yù)測(cè)結(jié)果更加綜合和準(zhǔn)確；PEDLA也具備處理類(lèi)別不平衡數(shù)據(jù)的能力，使得預(yù)測(cè)結(jié)果更加穩(wěn)健和無(wú)偏。與當(dāng)前頂尖的5種同類(lèi)機(jī)器學(xué)習(xí)算法相比，PEDLA的性能顯著地優(yōu)于它們。在此基礎(chǔ)上，本文進(jìn)一步將PEDLA框架擴(kuò)展到多細(xì)胞/組織類(lèi)型的增強(qiáng)子識(shí)別中。將PEDLA在22個(gè)細(xì)胞/組織進(jìn)行了迭代訓(xùn)練，發(fā)現(xiàn)訓(xùn)練后的模型在22個(gè)訓(xùn)練細(xì)

10、胞/組織和20個(gè)獨(dú)立的測(cè)試細(xì)胞/組織中取得了極其優(yōu)異且一致的性能，表明PEDLA是一種可用于不同細(xì)胞/組織的增強(qiáng)子預(yù)測(cè)的通用的、穩(wěn)健的深度學(xué)習(xí)框架。
　　再次，基于深度學(xué)習(xí)和集成學(xué)習(xí)的RNA編輯位點(diǎn)的識(shí)別研究。當(dāng)前RNA編輯位點(diǎn)的識(shí)別主要都是基于人們對(duì) RNA編輯位點(diǎn)的先驗(yàn)知識(shí)通過(guò)一系列人工繁雜的過(guò)濾來(lái)得到。本文針對(duì)RNA編輯位點(diǎn)的識(shí)別問(wèn)題，設(shè)計(jì)和開(kāi)發(fā)了基于深度學(xué)習(xí)的自舉重采樣的并行集成學(xué)習(xí)的RNA編輯位點(diǎn)的識(shí)別算法——DeepR

11、ed。DeepRed算法有幾個(gè)突出優(yōu)點(diǎn)：一是可以自動(dòng)從訓(xùn)練樣本中學(xué)習(xí)和歸納到 RNA編輯位點(diǎn)更本質(zhì)的信息和規(guī)律；二是可以直接從 GATK輸出的包含各種類(lèi)型的復(fù)雜候選集合中準(zhǔn)確預(yù)測(cè)RNA編輯位點(diǎn)；三是，在識(shí)別RNA編輯位點(diǎn)同時(shí)能夠識(shí)別 SNP；四是，輸入特征都是“ATCG”的原始序列，算法可以自動(dòng)提取和抽象更加有效的特征；五是算法具有很好處理類(lèi)別不平衡數(shù)據(jù)的能力。結(jié)果表明，DeepRed算法在RNA編輯位點(diǎn)識(shí)別中取得了極好的效果，同時(shí)，獨(dú)

12、立實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證也進(jìn)一步表明 DeepRed算法是可靠和準(zhǔn)確的。另外，在多細(xì)胞中的評(píng)估結(jié)果表明 DeepRed算法具有很好的泛化能力，能夠有效識(shí)別不同細(xì)胞、不同位置和不同狀態(tài)下RNA編輯位點(diǎn)。
　　最后，人類(lèi)基因組增強(qiáng)子RNA的識(shí)別與注釋研究。eRNA到底僅僅是轉(zhuǎn)錄噪聲還是具有調(diào)控功能，以及具體到底是eRNA轉(zhuǎn)錄本還是轉(zhuǎn)錄RNA的動(dòng)作是有功能的，一直是相關(guān)研究所探討的問(wèn)題。本文識(shí)別了50個(gè)細(xì)胞/組織的一類(lèi)特殊的增強(qiáng)子——活性增強(qiáng)子

13、及其轉(zhuǎn)錄產(chǎn)生的一類(lèi)非編碼RNA（eRNA）分子。通過(guò)組蛋白修飾、RNA轉(zhuǎn)錄、轉(zhuǎn)錄因子結(jié)合位點(diǎn)和共激活劑結(jié)合位點(diǎn)等不同染色質(zhì)標(biāo)志的性質(zhì)分析，本研究發(fā)現(xiàn)增強(qiáng)子活性、eRNA水平、關(guān)聯(lián)基因 mRNA水平、GO生物過(guò)程都是以一種細(xì)胞特異的方式關(guān)聯(lián)在一起，并且這些特異的生物過(guò)程準(zhǔn)確地定義了對(duì)應(yīng)細(xì)胞/組織的身份特性。通過(guò)在 eRNA中檢測(cè)已知和全新RNA二級(jí)結(jié)構(gòu)，本文發(fā)現(xiàn)eRNA中存在大量功能性結(jié)構(gòu)ncRNA，包括類(lèi)似miRNA的保守二級(jí)結(jié)構(gòu)。進(jìn)一