深度学习架构在预测DNA/RNA序列结合特异性中的综合评估

动机：深度学习架构最近证明了其在预测DNA和RNA结合特异性方面的能力。现有方法分为三类：一些基于卷积神经网络（CNN），其他使用递归神经网络（RNN），还有一些依赖于结合CNN和RNN的混合架构。然而，根据现有研究，各种架构的相对优劣尚不清楚。结果：在本研究中，我们系统地探索了用于预测DNA和RNA结合特异性的深度学习架构。为此，我们提出deepRAM，这是一个端到端的深度学习工具，提供多种架构的实现；其完全自动化的模型选择过程使我们能够公正和无偏地比较深度学习架构。我们发现，随着足够的训练数据，更深、更复杂的架构提供了明显的优势，混合CNN/RNN架构在准确性方面优于其他方法。我们的工作提供了指导，可以帮助实践者选择合适的网络架构，并提供有关卷积网络和递归网络所学习模型之间差异的见解。特别地，我们发现，尽管递归网络提高了模型的准确性，但这牺牲了模型所学习特征的可解释性。可用性和实现：deepRAM的源代码可在https://github.com/MedChaabane/deepRAM上获取。补充信息：补充数据可在Bioinformatics在线获取。