GNNMF: a multi-view graph neural network for ATAC-seq motif finding
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
BACKGROUND: The Assay for Transposase-Accessible Chromatin using sequencing (ATAC-seq) utilizes the Transposase Tn5 to probe open chromatic, which simultaneously reveals multiple transcription factor binding sites (TFBSs) compared to traditional technologies. Deep learning (DL) technology, including convolutional neural networks (CNNs), has successfully found motifs from ATAC-seq data. Due to the limitation of the width of convolutional kernels, the existing models only find motifs with fixed lengths. A Graph neural network (GNN) can work on non-Euclidean data, which has the potential to find ATAC-seq motifs with different lengths. However, the existing GNN models ignored the relationships among ATAC-seq sequences, and their parameter settings should be improved. RESULTS: In this study, we proposed a novel GNN model named GNNMF to find ATAC-seq motifs via GNN and background coexisting probability. Our experiment has been conducted on 200 human datasets and 80 mouse datasets, demonstrated that GNNMF has improved the area of eight metrics radar scores of 4.92% and 6.81% respectively, and found more motifs than did the existing models. CONCLUSIONS: In this study, we developed a novel model named GNNMF for finding multiple ATAC-seq motifs. GNNMF built a multi-view heterogeneous graph by using ATAC-seq sequences, and utilized background coexisting probability and the iterloss to find different lengths of ATAC-seq motifs and optimize the parameter sets. Compared to existing models, GNNMF achieved the best performance on TFBS prediction and ATAC-seq motif finding, which demonstrates that our improvement is available for ATAC-seq motif finding.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- GNNMF: a multi-view graph neural network for ATAC-seq motif finding
- Date Crossref
- 21/03/2024
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Nanjing University of Science and Technology pays non établi dans la noticeUniversité ou école supérieure
-
Jilin University pays non établi dans la noticeUniversité ou école supérieure
-
Donghua University Institute of Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
School of Cyber Science and Engineering pays non établi dans la noticeUniversité ou école supérieure
-
School of Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
College of Computer Science and Technology Key Laboratory of Symbol Computation and Knowledge Engineering of Ministry of Education pays non établi dans la noticeUniversité ou école supérieure
Nanjing University of Science and Technology, Jilin University et Institute of Artificial Intelligence — Donghua University, avec 3 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.