积水潭医院黄牛挂号预约电话,方式+流程+预约入口

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

「积水潭医院提前多久才能挂上号」-「积水潭医院跑腿代办挂号哪个靠谱」-「积水潭医院号贩子代挂号」-「积水潭医院产科有跑腿代办挂号吗」-「积水潭医院跑腿代办挂号代办」-「积水潭医院如何挂上号」-「积水潭医院跑腿代办挂号电话是多少」-「积水潭医院怎么找的跑腿代办挂号」-「积水潭医院黄牛号可信吗」

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。

稳定心绞痛诊疗,该转变模式!JACC综述

稳定性心绞痛有三种机制,冠脉狭窄、冠脉痉挛和冠脉微血管功能障碍,但首先应判断有无冠脉狭窄和心肌缺血。仅仅根据心绞痛样的胸部不适,不能判断具体的病理机制。作者认为,在排除冠脉狭窄后,在使用至少2类抗心绞痛药物后症状仍无改善(或恶化)时,才建议进行额外的检查。对于慢性稳定性心绞痛患者,经验性抗心绞痛治疗很重要,根据需要增加剂量或加药控制症状。查看详情

积水潭医院就医指南

见右侧联系栏门诊时间+预约挂号方式

2月门诊安排

第六人民医院自2月3日起开诊。开展普通门诊、专科专病门诊、专家门诊、特需门诊的诊疗工作,同时解决慢性病患者配药需求。

普通门诊:除口腔科、耳鼻喉科、眼科、内镜专科等科室门诊暂不开诊,其余科室普通门诊开放

急诊:医院急诊24小时开放

专病门诊:呼吸内科仅开设普通门诊,暂停专家、特需门诊,同时暂停雾化治疗以及肺功能、支气管镜检查(急需除外)。具体开诊时间另行通知。

预约方式

1、预约中心电话:见右侧联系栏、见右侧联系栏

特需门诊预约电话:见右侧联系栏、见右侧联系栏*58613

2、现场预约:门诊大厅预约中心

3、网上预约:微信公众号预约

二、预约时间:

周一～周六:上午8:00～下午4:00(请提前3-7个工作日预约)

三、预约注意事项

1、预约时请按实名提供有效证件号,例如医保就医提供社保卡号,自费提供身份证号和/或自费卡号。如果姓名与证件号不符则不予办理。

2、在六院再次就诊的病人,请提供相应的就诊卡号(社保卡号或医保卡号或医联卡号或自费卡号)。

3、预约时请主动提供正确的电话号码,以便医生停诊时能及时通知。

4、患者因故不能按约就诊者,应提前电话告知预约中心取消预约号,否则医院按失约处理,一定的失约后医院将不再提供预约服务(详见违约管理)。

5、按就诊时间预约的门诊由于医疗的特殊性,就诊时间与预约时间有一定偏差,敬请见谅。

6、为减少对其他病人的影响,预约病人请按预约时间前来就诊,超过预约时间30分钟者或医院规定的挂号时间,各科有权根据当时就诊情况处理解决。预约病人就诊过程有适当优先。

医生问诊

病情描述:

没有感冒但打喷嚏,鼻子酸,流鼻涕!

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

单敏主治医师

泰安市中心医院内科

你好,做过,什么检查

没有做过检查,而且嗅觉严重下降

口服清开灵

鼻子发酸、打喷嚏、流鼻涕,可能是过敏性鼻炎。过敏性鼻炎,在耳鼻喉科门诊是非常常见的。有的过敏性鼻炎是常年的,有的过敏性鼻炎是季节性发作。过敏性鼻炎,需要给予相应的治疗,可以用抗组胺的药物,比如氯雷他定口服,一般需要口服两周;给予鼻喷激素喷鼻,比如辅舒良喷鼻,至少一个月。过敏性鼻炎如果严重的话,可以出现鼻塞,如果有鼻塞的话,可以加用鼻腔收敛的药物,比如羟甲唑啉喷剂,可以有效缓解鼻塞。如果用药效果不好的话,可以通过翼管神经切断术来治疗,效果也是很好的。

谢谢您,单医生!

客气了哈

常见疾病:

喘息样支气管炎

喘息样支气管炎(asthmatoidbronchitis)是一临床综合症,泛指一组有喘息表现的婴幼儿急性支气管感染。肺实质很少受累。其中部分病儿可发展为支气管哮喘。

发病部位在哪里?肺及肺系

应该挂什么科?呼吸内科、小儿呼吸科

有什么典型症状?咳嗽伴哮鸣音、哮鸣音、咳痰、咳嗽、喘息

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?该病不具有传染性

高发人群?1至3岁小儿

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

创伤性溃疡

创伤性溃疡是指口腔内残根残冠、牙齿的锐利边缘、错位牙、不良修复体等长期慢性机械损伤形成的溃疡;或由长期咬腮、咬颊、咬唇等自伤性不良习惯造成的溃疡。溃疡的形状与刺激因子完全契合。

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?喉部刺痛、充血、淋巴结肿大、继发感染、口腔溃疡、手指撞伤

应该做哪些检查项目呢?口腔科检查

这样的病症传染吗?该病不具有传染性

高发人群?无人群限制

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

处女膜闭锁

处女膜孔的形状、大小和膜的厚薄,因人而异。一般处女膜孔位于中央,呈半月形,偶有出现中隔,将处女膜孔分割为左右两半,称中隔处女膜或双孔处女膜。也有膜呈筛状,覆盖于阴道口,称筛状处女膜。如处女膜褶发育过度,呈无孔处女膜,即为处女膜闭锁,是女性生殖器官发育异常中较常见的。

发病部位在哪里?生殖

应该挂什么科?泌尿外科、妇科、生殖医学科

有什么典型症状?下腹部包块、下腹痛、紧张、尿频、无月经来潮

应该做哪些检查项目呢?盆腔及阴道B超、盆腔MRI

这样的病症传染吗?该病不具有传染性

高发人群?青春期女孩

积水潭医院患者评价:

∎1

王新刚医生医术精湛,,小儿差不多痊愈恢复了,感谢医生的诊治

∎2

我是多囊患者,三年未孕,最后找到了积水潭医院,经过田秦杰教授的科学治疗,现在怀孕两个多月了,一切都很好,一次成功哦!现在分享一下我的就诊经历,首先还是要找对问题所在,找对医生,其次听医生安排配合治疗,最主要的还是要调节好自己的心态,注意饮食,希望我的尽力能帮到和我一样症状的姐妹!

∎4

白内障,经过戴红蕾主任看过后特别好,之前看的是左眼,现在右眼又有点和左眼相同的症状,这一次希望能挂上戴主任的号,如果用一个词来形容那就是妙手回春,祝好人一生平安。

∎5

我是慕名而去,运气好,挂上号了。上午做完各项检查,刚好下班了,赵主任知道我们是外地来的以后,中午吃饭后还帮我们看了检查结果,能为患者着想,好医生!感谢!

∎6

不幸得了肝癌,由于多年不良生活嗜好导致肝损伤进而发展为肝硬化。在内科大夫告诉我们需要考虑肝移植的时候,全家人积极想办法找合适的医院和医生来救治。在咨询过医院的朋友之后,我第一次在网上就搜索到广安门中医院的关念波医师是京城中医世家的知名的好大夫,传承治疗肝病的各种经典方和祖传秘方,获得大家一致好评!经过关医师的调养和治疗一段时间后,身体状态得到了很大改善,吃饭和饮食恢复正常,身体各项治疗,经过检测后也趋于稳定,现在基本可以正常生活和工作了,非常感谢林洪生工作室的关念波医师,是您给了我生的希望。求医路上一路走来让我看到了许多病友因为对癌症肿瘤的恐惧而耽误了最佳的治疗期很让人痛心,希望我的求医经验可以给病友们树立信心能够及早的在专家的帮助下找到适合的治疗方案。千万不要在家里自暴自弃,别人的失败不等于是自己的,一定要相信科学,相信权威的专家!

∎7

我爷爷的带状疱疹好几年了也不好,疼痛难忍,让我们家人很是新泰。幸亏找到了 王爱平医生,终于治好了爷爷的带状疱疹,让我爷爷摆脱了多年的皮肤病。

∎9

是一位责任心很强不可多得好医生!在网络上开通预约方便广大患者难挂专家号问题!

∎10

感谢贾培红主任,她人很好,态度很好,对我们别人的问题耐心细心的解答。感谢积水潭医院三楼的护士小姐姐和医生们,对我的照料,非常感谢!

∎11

我觉得邢医生是我见过的最有医德的医生,从心底里尊敬邢医生,邢医生很有经验并且很能体谅病人的心情,虽然年纪大了但是仍然耐心认真的工作着。

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!

长春智慧医保

官方介绍

长春智慧医保app是一款非常便捷的掌上医保业务办理平台。长春智慧医保app是专为长春市民打造,通过长春智慧医保app可以在手机上登记、查询自己的医保账户,获得医保服务,有需要的朋友千万别错过了

这是一款好用的医保服务应用,面向全市参保单位,集医保变更业务、缴费核定业务、单位职工信息查询等功能为一体。有需要的朋友欢迎下载使用吧。

长春智慧医保app特点:

1、便捷的查询个人的参保信息;

2、可办理医保的变更服务;

3、单位的职工信息查询服务;

4、便捷线上业务办理时限零跑动。

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。

积水潭医院黄牛挂号预约电话,方式+流程+预约入口

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