Transferlernen ermöglicht die Identifizierung mehrerer Typen von RNA-Modifikationen mit Hilfe von Nanoporen-Direkt-RNA-Sequenzierung

Zusammenfassung Die Nanoporen-Direkt-RNA-Sequenzierung (DRS) hat sich als leistungsstarkes Werkzeug zur Identifizierung von RNA-Modifikationen erwiesen. Allerdings bleibt die gleichzeitige Erkennung mehrerer Modifikationstypen in einer einzelnen DRS-Probe eine Herausforderung. Hier entwickeln wir TandemMod, ein übertragbares Deep-Learning-Framework, das in der Lage ist, mehrere Typen von RNA-Modifikationen in einzelnen DRS-Daten zu erkennen. Um hochleistungsfähige TandemMod-Modelle zu trainieren, erstellen wir in vitro Epitranskriptom-Datensätze aus cDNA-Bibliotheken, die Tausende von Transkripten mit verschiedenen Typen von RNA-Modifikationen enthalten. Wir validieren die Leistung von TandemMod sowohl an in vitro-Transkripten als auch an in vivo menschlichen Zelllinien und bestätigen seine hohe Genauigkeit bei der Profilierung von m 6 A- und m 5 C-Modifikationsstellen. Darüber hinaus führen wir Transferlernen zur Identifizierung anderer Modifikationen wie m 7 G, Ψ und Inosin durch, was die Größe der Trainingsdaten und die Laufzeit erheblich reduziert, ohne die Leistung zu beeinträchtigen. Schließlich wenden wir TandemMod an, um 3 Typen von RNA-Modifikationen in Reis zu identifizieren, der in unterschiedlichen Umgebungen angebaut wurde, und demonstrieren so seine Anwendbarkeit über Arten und Bedingungen hinweg. Zusammenfassend stellen wir eine Ressource mit Ground-Truth-Labels bereit, die als Benchmark-Datensätze für nanoporenbasierte Methoden zur Identifizierung von Modifikationen dienen können, und TandemMod zur Identifizierung vielfältiger RNA-Modifikationen aus einer einzigen DRS-Probe.