DNA 4mC 甲基化修飾位點預測的研究進展

許召春 劉華軍

（景德鎮(zhèn)陶瓷大學信息工程學院，江西 景德鎮(zhèn)333403）

最常見的DNA 甲基化修飾分別是N6- 甲基腺嘌呤（6mA）、5- 甲基腺嘌呤（5mC）、N4- 甲基胞嘧啶（4mC）。DNA 6mA 和5mC 位點廣泛存在于原核生物和真核生物中，而DNA 4mC 位點只存在于原核生物中[1]。4mC 于1983 年被發(fā)現(xiàn)，是細菌DNA中最不常見的甲基化DNA 堿基[2]。DNA 4mC 在限制性修飾體系中起著重要作用[3]。為了更好地理解它們的功能機制，識別4mc修飾是非常重要的。DNA 4mC 位點的實驗篩選是耗時、費力和昂貴的。因此，開發(fā)生物信息學工具大規(guī)模準確高效地識別4mC 位點是濕實驗的有效補充。近年來研究者們基于機器學習方法研發(fā)了一系列高效的4mC 位點高通量識別方法，本文就4mC 位點預測研究進行綜述，并對此提出展望。

1 現(xiàn)有4mC 預測器

1.1 iDNA4mC

iDNA4mC[4]是最早由陳偉與林昊兩個團隊利用機器學習方法共同提出的預測4mC 修飾位點的預測工具。含4mC 位點的陽性樣本是從MethSMRT 數(shù)據(jù)庫中獲取，涉及線蟲、果蠅、擬南芥、大腸桿菌、嗜堿菌和地桿菌六個物種，最終采用滑窗法（最優(yōu)窗口長度為41bp）構(gòu)建了高質(zhì)量的平衡數(shù)據(jù)集（表1）。

表1 基準數(shù)據(jù)集物種正樣本及負樣本數(shù)量分布

DNA 樣本序列由核苷酸物理化學屬性和核苷酸密度進行編碼，每個核苷酸被轉(zhuǎn)化為4 維離散型向量，采用支持向量機作為分類器，在六種物種數(shù)據(jù)上執(zhí)行jackknife 交叉驗證，主要的性能評價指標ACC 與MCC 值見表2。

1.2 4mCPred

4mCPred[5]預測器是由鄒權(quán)團隊開發(fā)，沿用了iDNA4mC 預測器的訓練樣本數(shù)據(jù)，為了充分提取基準數(shù)據(jù)集中的信息，利用三核苷酸的位置特異性偏好和電子- 離子相互作用的偽電位值將DNA 序列轉(zhuǎn)化為數(shù)值向量。為了獲得更好的泛化預測模型，采用最優(yōu)特征選擇技術（F-score）來選擇最優(yōu)特征子集。作者嘗試了不同的分類算法，包括樸素貝葉斯、KNN、隨機森林及SVM，最終基于SVM構(gòu)建了具有更好性能的分類模型，jackknife交叉驗證結(jié)果見表2，結(jié)果表明，相比于iDNA4mC 預測器，4mCPred 預測器的整體性能有一定程度提高。

表2 六種物種數(shù)據(jù)集上各類預測器交叉驗證結(jié)果

1.3 4mcPred-SVM

在前兩個預測器的基礎上，鄒權(quán)團隊充分利用基于序列信息的特征表示算法提出了新的預測器4mcPred-SVM[6]，用于DNA 4mC 位點的全基因組檢測。為了提高特征表示能力，作者采用了兩步特征優(yōu)化策略，從而獲得最具代表性的特征。利用所得到的特征和支持向量機(SVM)自適應地訓練不同物種的最優(yōu)模型，結(jié)果詳見表2。對6 個物種的基準數(shù)據(jù)集的比較結(jié)果表明，與最先進的預測器相比，預測器4mcPred-SVM 能夠在預測4mC 位點方面獲得更好的性能。重要的是，基于序列的特征能夠可靠而穩(wěn)健地預測4mC 位點，有助于發(fā)現(xiàn)潛在的重要序列特征，用于預測4mC 位點。

1.4 Meta-4mCpred

Manavalan 等人[7]采用了一種特征表示學習方案，基于4 種不同的機器學習算法和7 種不同的特征編碼，生成了56 個概率特征，涵蓋了不同的序列信息，包括成分信息、物理化學信息和位置特定信息。然后，利用概率特征作為支持向量機的輸入，最終建立Meta-4mCpred 預測器。交叉驗證結(jié)果表明來自上述6 個不同的物種的Meta-4mCpred 的總體平均準確率為84.2%，這比現(xiàn)存最好的預測器高出大約2%-4%（見表2）。

1.5 4mCCNN

KHANAL 等人[8]基于上述六種物種的相同基準數(shù)據(jù)集，采用較為流行的one-hot 編碼，利用卷積神經(jīng)網(wǎng)絡開發(fā)了4mCCNN預測模型。性能最好的超參數(shù)是通過使用網(wǎng)格搜索方法獲得，交叉驗證結(jié)果顯示，4mCCNN 預測器性能相比前幾個預測器更加良好（見表2），這也意味著深度學習算法在特征表征方面更具優(yōu)勢。

1.6 4mCpred-EL

雖然基于機器學習方法在其他物種中有很好的4mC 鑒定前景，但是目前還沒有一種方法可以用于檢測小鼠基因組中的4mC 位點。Manavalan[9]提出了一種新計算方法，稱為4mCpred-EL，是識別小鼠基因組中4mC 位點的第一個方法，其中使用了四種不同的機器學習算法和七個特征編碼方法。然后將這些特征編碼的預測概率值作為特征向量，再一次輸入到機器學習算法中，將相應的模型通過集成學習進行融合決策，結(jié)果見表3。

表3 其他物種基準數(shù)據(jù)集上預測器性能

1.7 iEC4mC-SVM

雖然上述基于機器學習的DNA 4mC 位點的預測器總體性能較好，能提供研究者對4mC 修飾的生物學功能和機制更深入的了解，但是，現(xiàn)有的識別大腸桿菌4mC 位點的分類器性能仍然有待提高。為此，一種新的基于SVM的4mC 位點預測模型iEC4mC-SVM被LV 等人提出，該模型采用多特征融合，并結(jié)合光梯度增強機特征選擇技術（LGBM）選擇最優(yōu)特征子集，結(jié)果比最新的大腸桿菌性能更高，具體度量值見表3。

1.8 i4mC-ROSE

MehediHasan 提出了一種新的預測因子i4mC-ROSE，用于確定薔薇科中F. vesca 和R. chinensis 基因組中的4mC 位點。首先，利用隨機森林(RF)算法分別聯(lián)合k- 空間光譜核苷酸組成(KSNC)、電子- 離子相互作用偽電位(EIIP)、k-mer 組成(Kmer)、二進制編碼(BE)、二核苷酸理化性質(zhì)(DPCP)和三核苷酸理化性質(zhì)(TPCP)特征表示方法，生成六個概率分值。其次，將六種概率得分與線性回歸模型相結(jié)合，提高預測性能。文獻表明，i4mC-ROSE 是第一個預測薔薇科基因組中4mC 位點的計算工具。

為了方便廣大研究學者進行DNA 4mC 修飾位點預測分析，除了iEC4mC-SVM 預測器沒有在線預測功能，基本每個研究團隊都開發(fā)了用戶友好的在線預測器，用戶可通過表4 所提供的鏈接直接免費訪問在線預測器。

表4 在線預測器訪問鏈接

2 展望

最近幾年，DNA 4mC 修飾位點預測方面已做了大量的研究工作，并取得了相當不錯的成績，但是仍然存在一些局限性，主要體現(xiàn)在以下幾個方面。首先，用于模型構(gòu)建的訓練樣本沒有更新，大多數(shù)預測器仍然是基于首套數(shù)據(jù)而構(gòu)建。其次，所采用的分類算法大體還是以傳統(tǒng)分類算法SVM為主，只有4mCCNN采用了深度學習中的卷積神經(jīng)網(wǎng)絡CNN。再者，從預測結(jié)果上看，預測結(jié)果還有一定的提升空間。未來這方面的工作可圍繞著這些問題開展，擴大數(shù)據(jù)集規(guī)模，增加物種數(shù)量，創(chuàng)建新的特征表示方法，利用深度學習算法進一步提高4mC 位點預測精度，以更好地理解4mC 位點的功能機制。