.png){kind=icon}
返回
A deep learning–based score to evaluate multiple sequence alignments
.png){kind=icon}
OA
AI
DOI：10.1093/molbev/msag173.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多重序列比对（MSA）推断是分子进化和比较基因组学的核心任务，下游分析（包括系统发育推断）的可靠性严重依赖于比对质量。尽管其重要性，大多数广泛使用的MSA方法优化的是成对和（SoP）得分，而相对较少关注该目标函数是否准确反映比对准确性。在此，我们使用模拟和经验基准比对评估SoP得分的表现。对于每个数据集，我们比较由相同未比对序列产生的替代MSA，并量化其SoP得分与参考比对距离之间的关系。我们证明具有最优SoP得分的比对通常不对应最准确的比对。为解决此局限性，我们开发了基于深度学习的评分函数，整合了一组MSA特征。我们首先介绍模型1，一种回归模型，用于预测给定MSA与参考比对的距离。在模拟和经验数据集中，该学习得分与真实比对准确性的相关性强于SoP得分。然而，模型1在识别替代比对中的最佳比对方面效果较差。因此，我们开发了模型2，它以同一序列生成的若干替代MSA为输入，预测其相对排名。模型2比SoP得分、模型1和几种广泛使用的比对程序更准确地识别排名最高的MSA。通过模拟，我们证明基于我们方法选择MSA可导致更准确的系统发育重建。
期刊
IF:
5.3
论文数:
8.4K
被引数:
6.6W
机构
引用论文
OrthoMaM v12: a database of curated single-copy ortholog alignments and trees to study mammalian evolutionary genomics.png)
NUCLEIC ACIDS RESEARCH
OAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏Comparing different machine learning and mathematical regression models to evaluate multiple sequence alignments比较不同的机器学习和数学回归模型以评估多序列比对NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容