跳到正文
原文
arXiv · Neural and Evolutionary Computing· Alejandro Medina, Mary Lauren Benton
· 3 天前

多样性保持可在具有挑战性的混杂因素景观中恢复转录因子基序

Diversity Preservation Recovers Transcription Factor Motifs Across Challenging Confounder Landscapes

预印本 · 尚未经过同行评审

AI 导读

用MAP-Elites存档保持多样性,在五个肝脏ChIP-seq数据集上比基线更可靠地恢复转录因子基序。

摘要 · AI 翻译

模体发现是一个在 DNA 序列中搜索转录因子(TF)蛋白所结合的短模式(称为模体)的过程。然而,模体长度往往未知,且模体归属常常要与相关蛋白近乎相同的模体相竞争。在本工作中,我们将一个长度由可演化门控产生的模体基因型与按三个描述符对组织的 MAP-Elites 存档相配对,并针对完整的 HOCOMOCO 数据库验证每一个模体。在涵盖不同混杂因素格局的五个肝脏 ChIP-seq 数据集上,仅在幸存者选择上有所不同的 $({\mu} + {\lambda})$ 基线会坍缩到单一模体,并且在三个数据集上从未将目标排在首位,而每个 MAP-Elites 存档在每个数据集上至少在 30 个种子中的 13 个里做到了这一点。与在相同序列上运行并以相同方式验证的模体发现工具 MEME 相比,这些存档在四个数据集上同样可靠地恢复了目标信号,并且在模体宽度受到约束时更为稳健。在 HNF4A 和 JUND 上,两种方法在完整宽度范围内都未能将目标排在其最近亲缘模体之上,但窄存档模体在多达 43% 的种子中将 HNF4A 排在首位,而 MEME 在所有设置下都漏掉了该模体。多样性保持提升了我们恢复一致模体信号的能力,尽管对于我们测试的所有方法而言,模体注释仍然是一个具有挑战性的问题。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neural and Evolutionary Computing · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。