广安门中医院黄牛办理住院联系方式-代排队+陪诊+加急床位+办理住院

联系人:医院挂号黄牛 | 微信:15011205632（挂号加微信）| 手机号:15011205632

「广安门中医院黄牛预约挂号」-「广安门中医院黄牛号一个多少钱」-「广安门中医院黄牛号去哪买」-「广安门中医院跑腿代办挂号靠谱吗」-「广安门中医院产科建档跑腿代办」-「广安门中医院如何代挂到专家号」-「广安门中医院帮忙跑腿」-「广安门中医院跑腿代挂号服务」

我们提供更优质的陪诊服务:

全国代挂号网实力可靠;专业陪诊、跑腿、代挂十多年的丰富经验,为广大患者解决省市级三甲大医院等名医挂号,便民挂号导师;帮预约,帮排队,帮挂号业务及药代购代送等,一切你不方便办的事,让本司通通帮你完成。

全国代挂号网:想患者所想,急患者所急,满足大家需求。

云南省国家级、省级临床重点专科建设项目名单公布!

根据评审结果,现将拟确定䲲-2025年的国家级临床重点专科建设项目及培育项目的医院及专科和拟确定为“十四五”期间省级临床重点专科建设项目的医院及专科名单予以公示。查看详情

广安门中医院就医指南

广安门中医院挂号网上预约指南

在医院看病时,最费时费力的就是排队挂号,如果不凑巧很可能就要“大排长龙”,这样一来不论对于病人还是家属,都将是一种折磨。那么怎样才能提前预约呢?小编整理了广安门中医院微信预约挂号流程如下。

一、微信预约流程

第一步:微信搜索广安门中医院、点击挂号

第二步:选择院区,科室

第三步:选择医生、时间,预约即可

二、咨询电话

021-见右侧联系栏(总机)

三、就诊流程

来院就诊→初诊(属急诊范围至急诊就诊,属传染病范围至隔热/发热门诊)→挂号→候诊→诊室医师→化验检查治疗→门诊药房取药→就诊结束注:复诊不需要预检分诊

四、医院地址

泸定路院区:市普陀区泸定路355号

五、交通

泸定路院区周边公交:200米以内有766路、长风环线;600米以内有551路、765路、858路、216路、67路、739路、846路、94路、101路;800米以内有44路。

为方便我院就诊市民及医院职工交通出行,巴士三汽公共交通有限公司自2014年6月16日起新开通公交101路(A线和B线)连接泸定路新院与轨交2号线威宁路站及13号线真北路站。

医生问诊

病情描述:

每过一段时间痛风发作4,5天,吃消炎止痛药,现在每天早上饭后吃半片非布司他40㎎/片,这个非布司他是一直吃吗?

提示:线上咨询不能代替面诊,医生建议仅供参考!

答咨询实录

郭艳茹主治医师

锦州医科大学附属第三医院内科

你好我是医生

不是一直芙蓉。

您好,

症状,缓解后停服。

每过一段时间痛风发作4,5天,吃消炎止痛药,现在每天早上饭后吃半片非布司他40㎎/片,这个非布司他是一直吃吗?男42

不是的

常见疾病:

尘螨过敏性哮喘

尘螨是诱发支气管哮喘的重要变应原。近年来大量研究证实尘螨与支气管哮喘关系密切,最近新西兰的一项对哮喘儿童进行了13年的追踪调查证实了尘螨作为一种独立的危险致敏因素严重影响着哮喘的发病率,近年来美国的3项调查也相继证实了尘螨和猫毛、蟑螂是诱发支气管哮喘的重要诱发因素。目前已有几百项研究证实了尘螨与支气管哮喘发作有着密切的。

发病部位在哪里?肺及肺系

应该挂什么科?呼吸内科、风湿免疫科

有什么典型症状?端坐呼吸、喘息、烦躁不安、胸闷、鼻痒

应该做哪些检查项目呢?血常规、X线平片

这样的病症传染吗?该病具有传染性

高发人群?儿童

--------------

痤疮

痤疮(Acne)又称粉刺,是一种毛囊皮脂腺的慢性炎症性疾患。痤疮是由于皮脂腺分泌过多,形成粉刺后又继发感染所引起的毛囊炎。痤疮多发于青春期男女,与内分泌有关,主要发生于面部和胸背等处。黑头粉刺、丘疹、脓疱、结节、囊肿等均可出现。损害呈多形性,初为毛囊口之黑头粉刺,发展过程中可生丘疹、脓疱、结节、囊肿及疤痕。

发病部位在哪里?皮肤

应该挂什么科?皮肤科、中医内科

有什么典型症状?丘疹、皮肤疤痕、粉刺、脓疱、黑头粉刺

应该做哪些检查项目呢?血液检查、皮肤试验

这样的病症传染吗?该病不具有传染性

高发人群?多发于青春期男女

--------------

唇炎

唇炎是一种以口唇干燥、皲裂、脱屑为主要临床表现的粘膜病,有干燥脱屑型唇炎、过敏型唇炎、良性淋巴增生性唇炎、肉芽肿性唇炎、腺型唇炎、真菌性唇炎、光敏性唇炎等各种类型。按病程分可有急性、慢性唇炎之分。唇炎在临床上可以分为几种类型,包括光化性唇炎、剥脱性唇炎、腺性唇炎、肉芽肿性唇炎等。这些类型的慢性唇炎均具有较为长久的肿。

发病部位在哪里?口腔

应该挂什么科?口腔科

有什么典型症状?唇干裂、口唇出血、唇角脱屑、唇水疱、口唇皲裂、上唇疖肿、口唇红肿

应该做哪些检查项目呢?血常规

这样的病症传染吗?该病不具有传染性

高发人群?青少年多见

广安门中医院患者评价:

∎1

我的宝宝由于摔伤造成面神经损伤,很着急,第二天到了广安门中医院特需门诊挂号,当时我并不知道该挂哪位大夫,就想挂个神经科的大夫,可是已经没有号了,当时太着急了,只好抱着试试看的心情去求大夫加个号,就是这位吴老太太,我说完我的请求,她眼睛也不抬一下说:“加号?!怎么加啊?!我在这边挂号费是300元,在国际部挂号费是1200元,怎么给你加啊?”******

∎2

医生经验老道,手术很完美,术后恢复很好,没有不适,医生很亲切,对我们提出的问题有问必答。

∎4

得了类风湿性关节炎已经有一段时间了,在石医生这里进行了治疗,病情已经好转,

∎5

扁桃体肥大,已经影响到睡眠睡觉打呼很响。经过你看后说建议手术治疗,当时很担心,但是不手术又没有更好的办法,你真的很有耐心也很有爱心,所以我很信任你,手术很好,现在已经康复了,真的很谢谢你。

∎6

我是头痛的厉害,后来经人介绍找到龙医生,龙医生给我细心的检查病因,检查完之后跟我仔细讲解病情,叮嘱我要适当放轻松,然后给我开了止痛定神的药,吃了一段时间好了,我的头痛没那么厉害了,真的很感谢龙医生的中药。

∎7

很好,杨医生诊治非常有耐心,对小孩也有耐心,对工作尽职尽责,一丝不苟,热心敬业,对医术精益求精,我们都很感激他,只不过号确实有点难约,希望可以有更多的途径

∎9

不用排队;看病方便

∎10

恨不错的医生,谢谢了

∎11

济南的白癜风医院官网,两个月在广安门中医院给孩子预约了蔡念宁专家的号,当时医生说的非常明白,经过两个月的中医和仪器调节,孩子腿上的白斑在变淡了,现在可以穿上短裤,谢谢医生的给孩子的帮助衷心的感谢广安门中医院

最后为大家推荐一款哪些可以网上挂号的APP,祝各位早日拿到号看好病!

健康汉中查询核酸报告app

健康汉中查询核酸报告app是一款市民必备的健康管理服务平台,这里有非常丰富的健康信息。您可以免费查询自己的健康档案、电子病历、体检等信息。为市民提供核酸检测结果查询、电子病历、诊疗结果查询等功能,极大方便了市民的日常生活,有需要的市民朋友快来下载使用吧。

健康汉中查询核酸报告app介绍

汉中健康app是汉中市卫生委员会提供的便捷服务软件。该软件可以帮助汉中居民通过手机处理各种医疗服务。该软件提供个人健康文件,可以帮助您记录健康信息。您还可以预约、在线注册和查询您的医疗记录。

健康汉中查询核酸报告app特色

1、本地服务问题可以留给你,这里新的社交互动信息也非常及时。

2、你可以认识很多当地居民。你可以把这个地方看作是一个朋友圈。你可以把好的、优惠的商品留给你。

健康汉中查询核酸报告app亮点

1、健康记录

提供个人健康档案信息查询,包括居民基本个人信息、既往病史、家庭信息等,同时可以对当前档案信息提供纠错信息上报。

2、治疗记录

提供居民以往入院史的查询,包括入院信息、疾病信息、治疗信息和农村合作医疗报销相关信息。

3、签名服务

向住户提供约定的后续信息,以查看其家庭所有成员的信息。

4、良好习惯日记

为居民及其家属提供定期的健康日记,特别是对患有长期慢性疾病(如血压、血糖)的患者,使家庭医生和健康联合服务提供者能够及时、准确地了解患者身份和健康状况,更准确地提供医疗卫生服务。

5、健康知识

根据登记居民的健康记录,实时推送与疾病相关的卫生服务知识,进一步提高居民的自我健康管理意识。

健康汉中查询核酸报告app评价

健康汉中查询核酸报告app是汉中最大的综合生活服务平台。健康汉中移动app的主要功能包括为汉中市民推送最新的本地信息,然后您可以通过健康汉中app轻松支付水、电等各种费用!

本研究介绍了iDNA-ABF,这是一种仅通过基于基因组序列的生物语言学习来识别DNA甲基化的新方法。

导语

在本项研究中,作者提出了iDNA-ABF,一种多尺度的深度生物语言学习模型,能够仅基于基因组序列对DNA甲基化进行可解释的预测。基准比较表明,研究提出的iDNA-ABF在不同甲基化预测方面优于最先进的方法。而且展示了深度语言学习在从背景基因组中捕获顺序和功能语义信息方面的力量。此外,通过整合可解释的分析机制,我们很好地解释了模型所学到的内容,帮助我们构建从发现重要的顺序决定因素到深入分析其生物学功能的映射。

背景介绍

今天小编为大家带来一篇预测甲基化的深度学习算法发表在10分+GenomeBiology的思路。题目为iDNA-ABF:multi-scaledeepbiologicallanguagelearningmodelfortheinterpretablepredictionofDNAmethylations。

数据介绍

本研究使用了17个物种的甲基化数据集作为训练和验证数据集,其中从ENCODE门户(ENCSR765JPC,ENCSR890UQO和ENCSR786DCL)收集了三种人类细胞系(K562,GM12878,hepG2)的5mC甲基化数据。

研究设计

iDNA-ABF概述。如图A显示了DNA甲基化数据集集合,其中属于三种主要DNA甲基化类型的不同数据集被重组为其训练数据集和独立数据集。我们的iDNA-ABF的整体架构在B-E.B多尺度信息处理模块中呈现,分别利用两个尺度(3-mer和6-mer)的分词器来处理输入序列并自适应地获得相应的嵌入。CBERT编码模块,使用BERT编码器提取高潜在特征表示。D多尺度提取模块,基于多尺度嵌入生成最终输出特征表示。E分类模块,整合二元分类概率值进行预测。F可解释分析的工作流程。简而言之,研究的模型使用注意力机制从查询序列中提取和学习顺序主题。

在研究的模型中,我们用k-mer表示标记DNA序列。通过这种方式,每个标记都由k个碱基表示,从而为每个核苷酸集成了更丰富的上下文信息。例如,给定的DNA序列“ATGGCTG”可以标记为两个6-mers的序列:ATGGCT和TGGCTG。不同的k导致不同的标记表示。在我们的工作中,我们将k设置为3或6,从而获得两个尺度的令牌表示。整个令牌表有4k+5个令牌,由k-mer的所有排列以及5个特殊标记组成:[CLS]、[PAD]、[UNK]、[SEP]和[MASK],分别代表分类令牌、填充令牌、未知令牌、分离令牌和屏蔽令牌。

结果解析

01所提出的iDNA-ABF优于最先进的方法

为了评估我们提出的iDNA-ABF的性能,我们将其与四种最先进的预测因子进行了比较,包括iDNA-ABT,iDNA-MS,BERT6mA和Deep6mA。在四种预测因子中,前两种(iDNA-ABT和iDNA-MS)是不同甲基化预测的通用预测因子,而另外两种(BERT6mA和Deep6mA)最初设计用于6mA位点预测。包括两个6mA预测因子进行性能比较的原因是,它们是基于深度学习的最先进的预测因子。此外,他们的模型非常灵活,可以很好地扩展到其他甲基化预测,如5hmC和4mC,而不仅仅是6mA。所有比较的预测因子分别在不同物种和不同甲基化类型的17个训练数据集上进行训练,并在相应的独立测试数据集上进行评估(有关详细信息,请参阅“数据集”部分)。ACC和MCC的评估结果如图所示。分别为1A和B。其他指标(如SN和SP)的详细结果显示在附加文件中。如图所示。1A和B,我们的模型在17个数据集中的15个上优于现有的四个预测因子,只有两个例外-5hmC_M.musculus和6mA_A.thaliana,其中我们的模型实际上也与最佳预测因子相当。具体来说,我们模型在所有数据集上的平均ACC分别比两个亚军预测因子iDNA-ABT高1.34%和BERT6mA高3.73%。特别是在三个数据集(4mC_C.equisetifolia,4mC_S.cerevisiae和6mA_S.cerevisiae)上,我们的iDNA-ABF表现优于具有相对较大边际的现有预测因子,领先3.28-14.75%,1.88-3.59%和1.48-4。ACC分别为23%。在MCC方面也观察到了类似的结果。为此,结果表明,我们的iDNA-ABF优于最先进的DNA甲基化通用预测方法。更重要的是,它在三种甲基化类型下显示出跨物种的稳健性能。为了验证我们模型的稳健性,我们进一步说明了四个数据集(4mC_C.equisetifolia,5hmC_M.musculus,6mA_C.equisetifolia和6mA_F.vesca)上预测因子的ROC和PR曲线,如图所示。分别为1C–F。我们可以看到,我们的iDNA-ABF在所有四个数据集中具有最高的AUC和AP。具体而言,与其他预测因子相比,我们模型在四个数据集上的平均AUC和AP值分别增加了约1.39-2.81%和0.1-13.8%。结果进一步证明了我们的模型在DNA甲基化预测任务中的稳健性能。其他数据集上的ROC和PR曲线可以在附加文件。为了直观地讨论为什么我们的iDNA-ABF比其他方法表现更好,我们进一步可视化了iDNA-ABF的特征表示空间和第二好的预测因子iDNA-ABT在上述四个数据集(4mC_C.equisetifolia,5hmC_M.musculus,6mA_C.equisetifolia和6mA_F.vesca)上使用均匀流形近似和投影(UMAP)的特征表示空间分布,这是一种广泛使用的可视化工具,通过降维揭示基本数据特征。请注意,其他数据集上的UMAP可视化结果可以在附加文件中找到。图1G和H分别说明了我们的iDNA-ABF和iDNA-ABT的特征空间分布,其中每个点代表每个样品;甲基化位点(阳性样品)用红色注释,而非甲基化位点(阴性样品)用蓝色注释。从图中可以看出。1G,我们的模型清楚地分离了正负样本,每个类聚类在一起而不是分散,而在图中。1H,iDNA-ABT特征空间中的正负样本分布得几乎相连,不容易圈出每一类的边界。通过比较图。1G和H,我们发现与最先进的iDNA-ABT相比,这两类在我们的iDNA-ABF的特征空间中分布得更清晰。这表明我们的模型从不同的类样本中学习了更好的特征表示,这可能是由于我们的模型构建中预训练良好的模型,帮助我们从数百万个背景基因组序列中捕获更多高潜在上下文语义信息。

图1

对抗训练是我们iDNA-ABF的重要组成部分。为了研究对抗训练的有效性,我们将原始的iDNA-ABF与不使用对抗训练的模型进行了比较。17个独立数据集的结果如图所示。1I,其中每个点代表每个数据集。可以看出,我们最初的iDNA-ABF(带有对抗训练)通常比没有对抗训练的性能更好。具体来说,通过引入对抗训练,ACC和MCC的性能改进分别可以在17个数据集中的14个数据集和17个数据集中的15个上观察到。这表明对抗训练可以提高预测性能。其他指标(SN、SP和AUC)的结果可以在附加文件。更重要的是,为了直观地展示对抗训练在模型优化中的重要性,我们进一步分析了训练过程中的学习曲线。图1J显示了从数据集中随机选择的两个数据集(5hmC_M.musculus和6mA_F.vesca)上进行和不进行对抗训练的模型曲线。从图1J,我们可以看到,具有对抗训练的模型实现的测试损失低于没有对抗训练的模型,尽管损失减少率比没有对抗训练的模型下降得更慢。此外,使用对抗训练,模型在训练过程的后期保持较低的测试损失,而没有对抗训练的模型逐渐开始过度拟合,这表明对抗训练增强了我们的模型在DNA甲基化预测中的鲁棒性。

02iDNA-ABF揭示了跨物种的甲基化保守性

为了研究不同物种的甲基化序列模式是否保守,我们首先使用Lifemap构建了相同甲基化类型中不同物种的进化树。至于4mC甲基化,图2A说明了四个物种的进化关系。可以清楚地看到,木麻黄和木麻黄是进化分类法,属于常见的Fabids,而另外两个物种属于酵母菌。一个有趣的观察结果是,我们的模型在具有进化分类法的物种中表现出类似的表现。在F.vesca和C.equisetifolia中,我们模型的ACC分别为0.852和0.858;而在另一个中,它们的ACC分别为0.743和0.723。接下来,我们使用基于概率的基序可视化工具kpLogo进一步分析了四个物种的甲基化顺序模式。图2B显示了两个进化上接近的物种(F.vesca和C.equisetifolia)的顺序模式,而图2C表明,在另外两个物种中。从图。如图2B所示,我们可以看到该物种中的甲基化序列区域非常相似,特别是富含CG含量。从图。如图2C所示,其他两个物种的结果相似。至于6mA甲基化,我们也发现了与4mC甲基化类似的结论。总体而言,结果表明,具有进化分类法的物种中的甲基化序列模式可能是保守的,从而有助于类似的预测性能;另一方面,具有远进化关系的物种的甲基化模式将大不相同。

图2

03多尺度顺序设计选择更适合阐明甲基化机制

在我们的模型中,我们提出了一种多尺度信息处理策略,通过使用不同的k-mers来表示不同的“生物学词”进行特征表示学习。因此,我们首先验证了单尺度k-mers如何影响模型的预测性能。我们比较了不同的k-mer,范围从3-mer到6-mer。比较结果如图所示。3A,我们可以看到不同的k-mers确实分别在不同的数据集上具有优势。没有观察到一致的结果。可能是甲基化的连续区域因物种和甲基化类型的长度而异。因此,使用单尺度序列模式进行特征表示不能自适应且充分地捕获甲基化的固有特征。为了解决这个问题,我们整合了不同尺度的k-mers作为我们的模型输入,例如3-mer+6-mer,4-mer+6-mer和5-mer+6-mer,并比较了它们的性能,如图所示3B可以观察到,与单尺度k-mer(即3-mer和6-mer)相比,多尺度k-mer积分(即3-mer+6-mer)提高了模型性能。具体而言,使用3-mer和6-mer集成的模型实现了最高的性能,所有数据集的平均ACC为85.95%,分别比使用3-mer和6-mer的模型高2.53%和1.01%。这表明来自不同尺度的信息是相互补充的,可以学习更好的特征表示。

图3

接下来,我们进一步研究了为什么使用多尺度k-mer积分更适合判别性信息捕获。为此,我们利用注意力机制直观地解释我们的模型从两个顺序尺度(3-mer和6-mer)中学习的信息。我们在图中可视化了两个尺度的注意力热图。分别为3C和D。请注意,热图中的元素表示沿序列的两个位置的相关程度。图3C显示了我们的模型在3个mer尺度上训练前后学习的信息。如我们所见,与初始模型相比,训练后的注意力机制更集中在热图的对角线上。这表明与训练前相比,我们的模型学习了更多的本地判别信息。同样,图3D说明了我们的模型在另一个顺序尺度6-mer上训练前后学习的信息。相比之下,这个量表更侧重于训练后的全局信息。为此,我们可以得出结论,不同尺度的顺序模式会学习局部和全局信息,这可能对性能改进是互补的。

为了清楚地证明哪个序列区域对甲基化预测最重要,我们从三个具有不同DNA甲基化类型的物种中随机选择了三个序列,并应用注意力机制从这些序列中识别关键区域。如图所示。3E-G(左),对于每个序列,我们的模型在不同的顺序尺度下识别不同的区域。这进一步证实了不同的尺度捕获不同的重要信息。对于这些已识别的区域,我们使用注意力分数进一步提取并可视化了相应的基序。图3E-G(右)分别显示了我们的iDNA-ABF学习的基序和传统工具STREME[28]发现的基序。正如所见,我们学到的图案(用灰色窗口突出显示)几乎与每个物种的STREME图案相匹配。为了定量比较基序相似度,我们采用TOMTOM计算两个基序的相似度,该相似度由p值测量。p值越低表示基序一致性越高。如图所示。3E-G,我们的基序与STREME的基序高度相似,这表明我们的模型可以学习保守的顺序特征。

04iDNA-ABF充分探索了人类细胞系5mC预测中的基因组信息

在本节中,我们分析了我们的iDNA-ABF在人类细胞系中执行甲基化预测的能力。由于5mC是人类基因组中研究最充分的甲基化类型之一,因此我们选择了5mC甲基化来执行我们的方法。因此,我们构建了三个新的5mC数据集,分别对应于三种人类细胞系,包括GM12878,K562和HepG2。首先,我们讨论了甲基化序列区域长度对5mC甲基化预测的影响。因此,对于每个细胞系,我们构建了四个5mC数据集,其中每个5mC序列分别为11,41,71和101bp(碱基对)长。数据集的详细信息汇总在附加文件中。图4A显示了三种细胞系中随不同序列长度而变化的模型性能。一开始,随着序列长度的增加,模型性能显着提高,这表明更长的序列为模型带来了额外的基因组上下文信息。当长度为71bp时达到峰值。之后,模型性能逐渐下降。值得注意的是,使用11bp长的序列训练的模型表现出极差的性能,ACC约为55%。原因是阴性和阳性样品之间具有11个碱基范围的甲基化中心区域非常相似。这进一步表明甲基化与甲基化区域的上游和下游密切相关。

众所周知,5mC甲基化是经过充分研究的甲基化类型之一,得到了许多NGS数据的支持,例如ChIP-seq数据和ATAC-seq数据等。一个有趣的问题是,将NGS数据与序列数据相结合是否有助于更准确的预测。为此,我们选择了两个组蛋白修饰(HM)数据,H3k4me3和H3k36me3,据报道它们与5mC密切相关[31]。我们分别使用(1)仅序列数据,(2)仅ChIP-seq数据和(3)序列+ChIP-seq数据在三个细胞系上训练和测试模型。比较结果如图所示。4B–D.正如我们所看到的,与使用ChIP-seq数据训练的模型相比,使用序列数据训练的模型取得了显着更好的性能,在不同序列长度下的三个细胞系中,平均ACC、AUC和MCC分别领先10.4%、10.9%和21.1%。当将ChIP-seq数据与序列数据相结合进行模型训练时,所有性能指标都得到了进一步改进,取得了最高分,与使用序列数据训练的模型相比,平均ACC、AUC和MCC提高了3.8、5.2和8.1%,表明ChIP-seq数据和序列数据在改进的5mC预测方面是互补的。

图4

考虑到实际应用场景,从全基因组规模测量我们的iDNA-ABF在检测5mC分布方面的性能非常重要。因此,我们根据在HepG2上训练的iDNA-ABF模型,预测了来自人类基因组(GRCh38)的5k-bp长基因组区域(Chr1:187,000-192,000)的甲基化概率。预测过程如下。首先,我们使用一个71个基点长的窗口来筛选该区域。其次,挑选出满足以下两个要求的序列:(1)以碱基C为中心,(2)以CPG模式为中心。最终,将所得序列提交给我们的iDNA-ABF进行预测。我们的模型给出了每个候选站点的预测置信度。图4E显示了两个HM数据分布,分别是我们的模型预测的5mC分布和WGBS注释的真实5mC分布。从图中我们可以看到。4E,我们预测的5mC分布通常与真实的5mC站点分布重叠。此外,预测的5mCs与两个HM数据基本匹配,表明我们的预测具有功能意义。值得注意的是,我们发现我们的模型识别了一些未被WGBS识别的区域(带有蓝框,图4E),但它们与H3K4me3数据的信号匹配良好。这意味着我们的模型可能会发现潜在的新功能区域。虽然我们的模型也会产生一些误报,但从顺序箱的角度来看(这里,我们将100bp区域视为一个箱),预测的5mC区域分布与真正的5mC区域分布几乎相同。结果至少表明,我们的模型在5mC区域方面表现良好。这也可能有助于甲基化研究。

05iDNA-ABF在对看不见的人类细胞系进行5mC预测方面具有强大的性能

为了分析iDNA-ABF在看不见的细胞系中的预测性能,我们进行了跨细胞系验证。具体来说,我们在一种细胞系上训练了我们的模型,并在另一种细胞系上对其进行了评估。图5A显示了四个指标的热图结果,分别包括ACC、MCC、SN和SP。纵轴表示训练细胞系,而横轴表示测试细胞系。如图所示5A,我们的模型在跨细胞系验证下获得了相对稳定的ACC和MCC。此外,我们还可以看到,在K562上评估时,我们在GM12878上训练的模型达到了最高的SN,与在HepG2上训练的模型相比,相对提高了16%。为了更好地解释,我们介绍了三种人类细胞系甲基化中心区域的概率分布分析。图5B和C分别显示了三种细胞系中阳性和阴性样品的概率分布。一方面,从图可以看出。5B认为K562的正图案标志与GM12878更相似,而不是HepG2在-1到1的位置。另一方面,我们从图观察到。5C认为K562的负基序标志与GM12878的正基序标志在-1到1的位置相同,这可以解释我们在K562上测试时在GM12878上训练的模型的最低SP。此外,我们在图中找到。5A,我们的模型在跨细胞系验证的热图中在SP方面表现不佳。这可能是所有三个细胞系之间的负面基序徽标完全不同。为此,通过跨细胞系验证结果,我们可以得出结论,即使对于看不见的细胞系,我们的模型也具有强大的性能。这进一步探讨了我们模型的应用价值。

图5

06iDNA-ABF具有良好的迁移学习能力,捕获甲基化序列模式的特异性

5mC甲基化主要发生在人类基因组中具有CpG模式的序列内;实际上,在少数情况下,甲基化也在CHH和CHG模式中检测到(其中H=A,C或T)。为了找出不同的甲基化序列模式是否相互关联,我们分别为三种细胞系构建了额外的CHG和CHH数据集。值得注意的是,CpG数据集中的序列数量远远超过CHG或CHH数据集中的序列数量。为了了解我们的模型在检测不同的甲基化模式方面是否具有良好的迁移学习能力,我们首先在CpG数据集上预训练了一个模型,并在CHG或CHH数据集上对其进行了微调,产生了另一个表示为“迁移学习模型”的模型。此外,我们还直接使用CHG或CHH数据集训练了一个模型进行比较,表示为“基线模型”。然后使用CHG或CHH数据集的相同测试数据集评估两个模型。两个数据集的性能如图所示。分别为6A和B。正如我们所看到的,“迁移学习模型”的性能始终优于基线模型,在三个细胞系中,平均AUC和AP分别增加了3.1%和3.3%。结果表明,我们的模型具有良好的迁移学习能力;预训练机制可以从一种特定模式中带来额外的判别信息,有利于目标模式的预测,从而提高预测性能。为了深入解释使用迁移学习提高性能的可能原因,我们进一步分析和比较了从三个模型中学习的基序,包括基线模型、迁移学习模型和仅在CpG数据集上训练的预训练模型。HepG2细胞系的基序比较结果如图所示。图6C以第1、第5和第9基元图为例,我们观察到迁移学习模型不仅保留了从预训练模型继承的一些CpG模式,而且还捕获了基线模型学习的CHG模式的特异性。此外,迁移学习模型还可以发现一些新的模式,例如第7个基元图,它与第3个基序图中的基线模型没有相似的模式。

图6

07从我们的模型中学到的基序具有生物学意义

接下来,我们进一步探讨了从上述三个模型(基线模型、预训练模型和迁移学习模型)中学习的基序(或顺序模式)是否具有生物学意义。因此,我们针对公共甲基化数据库topEnriched.MM检索了学习到的基序。有趣的是,从图。6D,我们发现我们的模型学习的基序可以与数据库中的一些功能基序显着匹配,这些基序之前被报道与甲基化机制密切相关。结果表明,我们的模型能够准确挖掘功能序列特征;另一方面,新发现的顺序基序也具有生物学意义,表明我们的模型在学习不同顺序模式之间的功能语义方面具有很强的能力。

讨论

本研究介绍了iDNA-ABF,这是一种仅通过基于基因组序列的生物语言学习来识别DNA甲基化的新方法。iDNA-ABF不仅能够跨物种和跨细胞系进行相对准确的甲基化预测,而且还使用可解释的注意力机制构建了从顺序水平到功能水平的映射,以深入研究DNA甲基化机制。

广安门中医院黄牛办理住院联系方式-代排队+陪诊+加急床位+办理住院

联系人:医院挂号黄牛 | 微信:15011205632（挂号加微信）| 手机号:15011205632