摘要：研究人員首次將深度學(xué)習(xí)與貝葉斯假設(shè)檢驗(yàn)結(jié)合，利用深度學(xué)習(xí)強(qiáng)化RNA可變剪接分析的準(zhǔn)確性。

在生命科研領(lǐng)域，常有人說深度學(xué)習(xí)的基因組學(xué)應(yīng)用好比是“一個(gè)盲人在一間黑暗的房子里尋找一頂并不存在的黑色帽子”。言下之意，是遺憾深度學(xué)習(xí)的基因組學(xué)應(yīng)用并沒有給人們帶來太多驚喜。不過，近日賓夕法尼亞大學(xué)和費(fèi)城兒童醫(yī)院教授邢毅團(tuán)隊(duì)的一項(xiàng)研究，找到了這樣一頂“黑帽子”。

這項(xiàng)發(fā)表在《自然—方法》上的論文成果，提出了一種新的計(jì)算框架——DARTS（“利用深度學(xué)習(xí)強(qiáng)化對RNA-seq的可變剪接分析”英文的首字母縮寫）。該計(jì)算框架首次將深度學(xué)習(xí)與貝葉斯假設(shè)檢驗(yàn)結(jié)合，用于RNA可變剪接分析。這種結(jié)合使得它即使對于測序深度不那么高的樣品，也能有效提高RNA-seq定量差異剪接的準(zhǔn)確度。

清華大學(xué)生命科學(xué)學(xué)院教授張強(qiáng)鋒點(diǎn)評道：“DARTS綜合了深度學(xué)習(xí)和貝葉斯假設(shè)檢驗(yàn)統(tǒng)計(jì)模型的優(yōu)點(diǎn)，為那些低測序深度的數(shù)據(jù)提供了更好的做可變剪接分析的手段，拓展了傳統(tǒng)RNA-seq可變剪接分析的敏感度和準(zhǔn)確度。”

計(jì)算基因組學(xué)中

一個(gè)廣受關(guān)注的問題

邢毅等人在上述論文中指出，目前，RNA-seq技術(shù)是研究RNA剪接最常用的實(shí)驗(yàn)手段。然而，RNA-seq技術(shù)雖然能較好地定量基因表達(dá)的結(jié)果，但對于差異剪接分析來說，它依賴于更高的測序深度。而且即便如此，現(xiàn)有的計(jì)算方法還不能較準(zhǔn)確地定量低表達(dá)基因的剪接變化。因此，為了提高剪接定量的準(zhǔn)確性，急需引入新的計(jì)算分析方法。

“可變剪接現(xiàn)象從20世紀(jì)70年代被發(fā)現(xiàn)后，其基本的科學(xué)問題聚焦為可變剪接位點(diǎn)發(fā)現(xiàn)、差異分析、調(diào)控元件和網(wǎng)絡(luò)的發(fā)現(xiàn)和構(gòu)建。RNA-seq 技術(shù)的發(fā)明，使得系統(tǒng)、定量的可變剪接差異分析成為可能。”張強(qiáng)鋒介紹說，大量測序數(shù)據(jù)的可變剪接差異分析需要優(yōu)秀的統(tǒng)計(jì)模型和計(jì)算工具，因此一直是一個(gè)需要高度技巧的生物信息學(xué)研究課題。

據(jù)張強(qiáng)鋒介紹，邢毅研究組在針對大量測序數(shù)據(jù)的可變剪接差異分析的計(jì)算分析領(lǐng)域深耕多年，已經(jīng)貢獻(xiàn)了多個(gè)有影響力的算法和計(jì)算工具。該團(tuán)隊(duì)針對高通量RNA-seq數(shù)據(jù)開發(fā)出的用于差異剪接分析的rMATS等軟件，對于測序較深、質(zhì)量較好的數(shù)據(jù)集都能取得不錯(cuò)的結(jié)果，已在全世界范圍內(nèi)被廣泛下載使用。

然而，由于成本等原因，大量RNA-seq 測序?qū)嶒?yàn)設(shè)計(jì)的測序深度較淺。對于這些數(shù)據(jù)集，能利用來做差異分析的可變剪接事件非常有限。

美國卡耐基梅隆大學(xué)計(jì)算機(jī)學(xué)院教授馬堅(jiān)也表示，在基因組學(xué)中，確實(shí)有很多類似的問題——如何在現(xiàn)有數(shù)據(jù)上對特定的基因組標(biāo)注（譬如染色質(zhì)結(jié)構(gòu)、轉(zhuǎn)錄因子結(jié)合）訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)模型并在全新的細(xì)胞系中有效預(yù)測，已經(jīng)成為一個(gè)計(jì)算基因組學(xué)中廣泛關(guān)注的問題。“DARTS嶄新的整體設(shè)計(jì)理念值得很多其他類似的問題借鑒。”

DARTS計(jì)算框架

給出問題答案

據(jù)邢毅研究組這篇發(fā)表在《自然—方法》上的論文介紹，DARTS由兩部分構(gòu)成：深度神經(jīng)網(wǎng)絡(luò)模塊（DNN）和貝葉斯推斷模塊（BHT）。其中，DNN基于順式序列特征和樣品特異的RNA結(jié)合蛋白表達(dá)水平特征來預(yù)測差異剪接的結(jié)果；而BHT則通過整合實(shí)驗(yàn)樣品測序數(shù)據(jù)本身和基于深度神經(jīng)網(wǎng)絡(luò)的先驗(yàn)概率來推斷差異剪接的結(jié)果。

研究者在論文中強(qiáng)調(diào)稱，與其他計(jì)算方法不同的是，在DARTS計(jì)算框架下，DNN不僅通過順式序列特征來預(yù)測可變剪接的結(jié)果，而且還將樣品中RNA結(jié)合蛋白的表達(dá)水平整合進(jìn)了RNA可變剪接結(jié)果的預(yù)測中，增加了預(yù)測參數(shù)的維度。

DARTS的邏輯是，通過DNN對ENCODE和Roadmap數(shù)據(jù)庫中大量RNA-seq結(jié)果的深度學(xué)習(xí)，能夠獲得高精度的預(yù)測值作為BHT中的貝葉斯先驗(yàn)概率，進(jìn)而結(jié)合具體實(shí)驗(yàn)中RNA-seq的結(jié)果，來獲得更為準(zhǔn)確的差異剪接推斷。

在研究實(shí)踐中，邢毅研究組發(fā)現(xiàn)，在低通量RNA-seq文庫中，通過使用DNN預(yù)測值進(jìn)行強(qiáng)化分析后，能夠達(dá)到比使用傳統(tǒng)方法分析更高的準(zhǔn)確度，并且這種提升在越低通量的文庫中越明顯；即使在高通量的RNA-seq文庫中，使用DNN預(yù)測仍能發(fā)現(xiàn)在低表達(dá)基因中的可變剪接變化。而在過去，這些低表達(dá)基因的可變剪接變化在傳統(tǒng)分析方法中往往會(huì)被忽略。

也就是說，研究結(jié)果證明了DARTS不僅提升了基于RNA-seq方法研究可變剪接的準(zhǔn)確性，同時(shí)也提供了在低表達(dá)基因中研究可變剪接的研究手段。

解析DARTS：

海量數(shù)據(jù)訓(xùn)練和新樣本特征的綜合

“從計(jì)算方法設(shè)計(jì)的策略和概念角度而言，此工作的最大亮點(diǎn)是充分利用海量公有數(shù)據(jù)如ENCODE，但模型本身又不完全依賴于這些公有數(shù)據(jù)。”馬堅(jiān)點(diǎn)評道，換言之，DARTS的整體思想是用深度神經(jīng)網(wǎng)絡(luò)從現(xiàn)有海量數(shù)據(jù)中找出通用的有用信息作為先驗(yàn)，然后用貝葉斯假設(shè)檢驗(yàn)結(jié)合來自樣本本身的RNA-seq數(shù)據(jù)信息，做可變剪接的預(yù)測，“這有效綜合了海量數(shù)據(jù)的訓(xùn)練以及新樣本的特殊性”。

馬堅(jiān)解釋說，從模型本身的技術(shù)角度而言，DARTS有效利用了深度神經(jīng)網(wǎng)絡(luò)對異質(zhì)數(shù)據(jù)特征的整合，并且整個(gè)計(jì)算方法的評測和方法都比較“明智而審慎”。他舉例說，比如DARTS的深度神經(jīng)網(wǎng)絡(luò)部分結(jié)合了剪接位置附近的序列信息、進(jìn)化信息、可變剪接產(chǎn)生的RNA二級結(jié)構(gòu)信息等；同時(shí)DARTS還巧妙地利用深度神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果來作為貝葉斯假設(shè)檢驗(yàn)中的先驗(yàn)數(shù)據(jù)，結(jié)合樣本本身的RNA-seq序列信息實(shí)現(xiàn)了更可靠的可變剪接預(yù)測。

馬堅(jiān)將基因組學(xué)形容為一個(gè)“存在太多未知和容易迷失的領(lǐng)域”，因此他認(rèn)為，有效深度學(xué)習(xí)的使用需要有強(qiáng)大的領(lǐng)域知識作為支撐。而DARTS工作恰恰體現(xiàn)了邢毅實(shí)驗(yàn)室多年以來對可變剪接機(jī)理的研究和計(jì)算方法創(chuàng)新的積累。“由深入的領(lǐng)域知識和經(jīng)驗(yàn)作為指導(dǎo)，是一個(gè)有效利用不同計(jì)算模型和深度學(xué)習(xí)方法的優(yōu)勢實(shí)現(xiàn)基因組學(xué)新發(fā)現(xiàn)的經(jīng)典工作。”

張強(qiáng)鋒也直指“巧妙利用公開的RNA-seq大數(shù)據(jù)樣本、使用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了外顯子差異剪接的貝葉斯假設(shè)檢驗(yàn)統(tǒng)計(jì)模型的準(zhǔn)確先驗(yàn)概率分布”是DARTS在方法上最大的特色。同時(shí)他也表示，該計(jì)算框架使用深度神經(jīng)網(wǎng)絡(luò)通過順式序列和反式因子RBP表達(dá)豐度進(jìn)行差異剪接預(yù)測的思路也值得借鑒。

此外，馬堅(jiān)認(rèn)為論文中其他對于機(jī)器學(xué)習(xí)方法的評測同樣可圈可點(diǎn)。例如，對常見的正負(fù)樣本不均衡的問題對模型訓(xùn)練和評測可能帶來的偏差有細(xì)致的控制。另外，該計(jì)算框架對模型中每個(gè)模塊的貢獻(xiàn)也做了詳細(xì)分析。

“隨著RNA-seq數(shù)據(jù)的不斷積累，相信DARTS會(huì)有廣泛的應(yīng)用，尤其是在RNA-seq測序深度并不高的實(shí)驗(yàn)情況下。”馬堅(jiān)說，這個(gè)計(jì)算工具對進(jìn)一步理解可變剪接在不同細(xì)胞狀態(tài)下的調(diào)控機(jī)理有深遠(yuǎn)的意義。