딥 모티프 대시보드: 딥 뉴럴 네트워크를 사용한 유전체 서 sequences 시각화 및 이해

딥 뉴럴 네트워크(DNN) 모델은 최근 전사 인자 결합(TFBS) 사이트 분류 작업에서 최첨단 예측 정확도를 달성했습니다. 그러나 이러한 접근 방식이 어떻게 의미 있는 DNA 서열 신호를 식별하고 TF가 특정 위치에 결합하는 이유에 대한 통찰력을 제공하는지는 여전히 불분명합니다. 본 논문에서는 TFBS 분류를 위해 딥 뉴럴 네트워크 모델에서 모티프나 서열 패턴을 추출하기 위한 시각화 전략 모음을 제공하는 툴킷인 Deep Motif Dashboard(DeMo Dashboard)를 제안합니다. 우리는 세 가지 중요한 DNN 모델: 컨볼루션, 순환 및 컨볼루션-순환 네트워크를 시각화하고 이해하는 방법을 보여줍니다. 우리의 첫 번째 시각화 방법은 최종 예측을 만드는 데 있어 각 뉴클레오타이드의 중요성을 설명하기 위해 1차 도함수를 사용하는 테스트 서열의 중요성 맵을 찾는 것입니다. 둘째, 순환 모델이 TFBS 서열의 한쪽 끝에서 다른 쪽 끝으로 시간적으로 예측을 하는 것을 고려하여, 순차 입력에 대한 모델의 예측 점수를 시간에 따라 나타내는 시간적 출력 점수를 도입합니다. 마지막으로, 클래스별 시각화 전략은 확률적 경량 최적화를 통해 주어진 TFBS 양성 클래스에 대한 최적 입력 서열을 찾습니다. 우리의 실험 결과는 컨볼루션-순환 아키텍처가 세 가지 아키텍처 중에서 가장 좋은 성능을 보인다는 것을 나타냅니다. 시각화 기술은 CNN-RNN이 모티프와 그들 간의 의존성을 모두 모델링하여 예측을 수행한다고 보여줍니다.