UniMethylNet: A Universal DNA Methylation Site Prediction Network Integrating a Neural Network and an Attention Mechanism
Notice bibliographique
Résumé
DNA methylation plays a crucial role in biological processes. However, existing prediction methods often suffer from limited generalization ability due to the scale and diversity constraints of the training samples, as well as insufficient recognition of significant interspecies differences in methylation patterns. To address these challenges, this study proposes a novel methylation site prediction model, namely, UniMethylNet, for robust identification of different methylation types (4mC, 5hmC, and 6 mA) across 12 species. UniMethylNet incorporates a Position Linear Layer to precisely capture local patterns, while utilizing a Bidirectional Long Short-Term Memory network to model long-term dependencies. UniMethylNet also employs a Channel-Spatial Dual Attention module for adaptive feature weighting and multiscale focusing, enabling one to effectively extract methylation-related features. Experimental results on 20 public data sets demonstrate that UniMethylNet achieves a mean accuracy of 87.78% and a mean area under the receiver operating characteristic curve of 93.01%, significantly surpassing existing models and exhibiting superior cross-species and cross-type generalization. Overall, UniMethylNet provides a powerful tool for DNA methylation site prediction, offering a quantitative approach for in-depth exploration of the conservation and specificity of epigenetic regulation by capturing the underlying conserved sequence motifs across diverse biological contexts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».