基于双向长短期记忆网络和卷积神经网络的DNA 6mA甲基化位点预测

Prediction of DNA 6mA Methylation Sites Based on Bidirectional Long Short-Term Memory Network and Convolutional Neural Network

摘要: DNA N6-甲基腺嘌呤(6mA)是一种重要的表观遗传修饰，参与基因调控、DNA复制和修复等生物过程，对疾病研究也具有重要意义，准确识别DNA 6mA位点对理解其功能和机制至关重要。尽管现有的NA 6mA位点预测方法已取得较大成功，但在预测精度和跨物种泛化能力上仍有改进空间。本文提出了一种结合双向长短期记忆网络(BiLSTM)和卷积神经网络(CNN)的混合深度学习模型($BiLSTM\to CNN$ )来提高对DNA 6mA位点预测的能力。模型首先采用one-hot、EIIP和DNA二聚体三种编码方式对DNA序列进行编码，然后在不同网络结构、层数和优化器下优化模型。通过在蔷薇科植物、水稻和拟南芥的数据集上的广泛实验表明，$BiLSTM\to CNN$ 模型在蔷薇科植物中的准确率(ACC)为94.5%，在水稻中为93.8%，在拟南芥中为86.6%。与其他方法相比，$BiLSTM\to CNN$ 模型在三个植物物种的6mA位点预测中均展现出良好的性能，并具有出色的跨物种泛化能力。

Abstract: DNA N6-methyladenine (6mA) is an important epigenetic modification involved in biological processes such as gene regulation, DNA replication, and repair, making it significant for disease research. Therefore, accurately identifying DNA 6mA sites is crucial for understanding their functions and mechanisms. Despite notable successes with existing methods, there is still room for improvement in prediction accuracy and cross-species generalization. In this study, we propose a hybrid deep learning model ($BiLSTM\to CNN$ ) that integrates bidirectional long short-term memory networks (BiLSTM) and convolutional neural networks (CNN). Firstly, the model-encoded DNA sequences employ one-hot encoding, EIIP encoding, and DNA dimer encoding. And then optimized under various network architectures, layer configurations and optimizers. We conducted experiments on datasets from Rosaceae, rice and Arabidopsis thaliana, the results indicate that the $BiLSTM\to CNN$ model achieves an accuracy (ACC) of 94.5% for Rosaceae, 93.8% for rice, and 86.6% for Arabidopsis. Compared to other methods, $BiLSTM\to CNN$ demonstrates excellent performance in predicting 6mA sites across the three plant species, and exhibits cross-species generalization capabilities.

1. 引言

N6-甲基腺嘌呤(6mA)是DNA分子中最重要的表观遗传修饰之一，它在基因表达、核小体定位、细胞周期调节、DNA修复和复制以及限制性修饰(R-M)中起着重要作用[1]。近年来，通过高效液相色谱(HPLC)分离与串联质谱(MS/MS)联用[2]、单分子实时(SMRT)测序[3]等生物实验方法，已经鉴定出一些6mA位点，但该类方法由于劳动密集型、耗时和昂贵等特点，其在大规模数据的应用中受到了限制。因此，发展高效的生物信息学方法来识别6mA位点尤为重要。

随着人工智能技术的发展，基于机器学习和深度学习的计算方法为6mA位点的识别提供了新的解决方案。这些方法不仅高效且成本低，还能在基因组尺度上进行大规模预测。目前，已开发了多种基于ML和DL的6mA预测模型，涵盖从单一特征到多特征融合的不同方法。Chen等[4]开发了一种基于支持向量机和DNA序列特征编码筛选策略的i6mA-Pred预测器，用于识别水稻基因组中的6mA位点。Pian等[5]利用马尔可夫模型计算DNA序列中相邻核苷酸的转移概率，提出了MM-6 mAPred来预测水稻物种6mA位点。Kong和Zhang [6]开发了i6mA-DNCP，该通过二核苷酸频率和二核苷酸理化性质来表示水稻DNA序列，并采用启发式方法来选择最具代表性的特征。Hasan等[7]提出了一个多特征融合的计算模型i6mA-Fuse，使用5种编码方案建立单编码随机森林模型，并通过线性回归模型整合这些模型的预测概率评分，用于蔷薇科植物月季和野草莓的6mA位点预测。Xu等[8]通过整合7种类型的序列衍生信息和3种类型的基于物理化学的特征开发了6mA-Finder，用于一般和物种特异性的6mA位点预测。Hasan等[9]提出的i6mA-stack使用递归特征消除交叉验证策略从5种不同的DNA序列编码方案中提取最优特征子集，并使用双层堆叠模型进行预测。Ha等[10]提出的Meta-i6mA方法选择了5种基于物理化学和位置特定信息的编码方式，并结合6种常用的机器学习方法生成30个基线模型，通过元学习预测方法整合这些模型。该模型在蔷薇科植物、水稻和拟南芥上表现出高马修斯相关系数值。He和Chen [11]开发了iDNA6mA-Rice-DL，通过深度学习方法利用嵌入层和密集层自动编码和提取关键DNA特征，成功预测了水稻基因组中的6mA位点。Huang等[12]提出了6mA-StackingCV，一种基于交叉验证的叠加系综模型，通过元学习算法整合多个基线模型的输出，在蔷薇科植物上表现出高级性能和稳定性。Teng等[13]提出了i6mA-Vote采用多数投票策略，结合6种不同的特征编码方案和机器学习分类器，有效预测了蔷薇科植物、水稻和拟南芥的6mA位点。尽管上述模型在特定物种中取得了较高的预测准确性，但是跨物种预测能力上存在不足。

本文基于长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)和卷积神经网络(Convolutional Neural Network, CNN)，提出一种高效且具有泛化能力的6mA位点预测方法(BiLSTM→CNN)。首先将DNA序列使用one-hot [14]，EIIP [15]和DNA二聚体(DNA 2-mer) [16] 3种编码方式进行编码，然后将编码后的序列输入到BiLSTM层提取序列的长距离依赖关系，再将这些长距离依赖特征传入CNN层，通过卷积操作进一步提取局部特征，最后使用Sigmoid激活函数得到DNA 6mA甲基化位点的最终预测。结果表明，与现有方法相比，BiLSTM→CNN模型具有较高的预测性能和泛化能力。

2. 模型及相关理论介绍

2.1. BiLSTM

BiLSTM [17]是一种特殊的递归神经网络，能够同时捕捉序列的前向和后向信息。

$c_t=f_t\ast x_t+i_t\ast {\tilde{c}}_t$ (1)

$o_t=\delta \left(W_{xo}{x}_t+W_{xo}\cdot h_{t-1}+b_o\right)$ (2)

$h_t=o_t\ast \tanh \left(c_t\right)$ (3)

其中公式(1)~(3)，$i_t$ 代表输入门，$\delta$ 为sigmoid函数，$f_t$ 代表遗忘门，$h_t$ 为当前隐藏状态，${\tilde{c}}_t$ 表示当前输入的单元状态，$c_t$ 代表保留程度，$b_o$ 表示偏置项。前向LSTM的输出为$\overrightarrow{h_t}$ ，后向LSTM的输出为${\overleftarrow{h}}_t$ 。每个时间步$t$ 的BiLSTM输出${\text{h}}_t$ 计算如公式(4)所示。

$h_t=\overrightarrow{h_t}+\overleftarrow{h_t}$ (4)

2.2. CNN

CNN [18]能够学习序列局部依赖关系，有效地处理和提取基因序列的特征。

$Y\left[j\right]={\displaystyle \sum _{j}w\left[j\right]}\cdot X\left[i+j\right]$ (5)

$Y_{pool}\left[i\right]=\max \left(X\left[i:i+k\right]\right)$ (6)

公式(5)~(6)中，$X$ 是输入序列，$w$ 表示卷积核，$Y\left[i\right]$ 表示卷积输出，$w\left[j\right]$ 表示卷积权重，$X\left[i+j\right]$ 是输入序列的局部区域，$k$ 是池化窗口的大小，$Y_{pool}\left[i\right]$ 是最大池化。

2.3. 激活函数

神经网络中常用的激活函数有tanh，relu，elu，sigmoid和softmax [18] [19]等，这些激活函数在模型中具有不同的作用，本文激活函数的选择主要涉及tanh和sigmoid函数。

tanh函数是一种双曲正切函数，将输入值压缩到[−1, 1]范围内，该函数是中心对称的，即tanh (0) = 0，在二分类问题中tanh函数多用于隐藏层部分，具体表示为公式(7)。

$f\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$ (7)

sigmoid函数将输入值压缩到(0, 1)范围内，该函数的输出可以解释为某个事件发生的概率，故sigmoid函数常用于二分类问题的输出层，将输出转换为概率值，具体表示为公式(8)。

$f\left(x\right)=\frac{1}{1+e^{-x}}$ (8)

2.4. 优化器

随机梯度下降(Stochastic Gradient Descent, SGD)是一种简单且常用的优化算法，用于在梯度下降过程中最小化损失函数。

${\theta }_{t+1}={\theta }_t-\eta {\nabla }_{\theta }L\left({\theta }_t;x^{\left(i\right)};y^{\left(i\right)}\right)$ (9)

在公式(9)中，${\nabla }_{\theta }L\left({\theta }_t;x^{\left(i\right)};y^{\left(i\right)}\right)$ 表示在第$t$ 次迭代时，使用第$i$ 个样本$x^{\left(i\right)}$ 和其对应的标签$y^{\left(i\right)}$ 计算的损失函数梯度，$\eta$ 为学习率。

Adam [20]通过计算梯度的一阶矩(即梯度的均值)和二阶矩(即梯度的平方均值)的指数移动平均值来动态调整学习率，从而在保证收敛速度的同时提高模型的性能，具体计算为公式(10)~(13)。

$g_t={\nabla }_{\theta }L\left({\theta }_t;x^{\left(i\right)};y^{\left(i\right)}\right)$ (10)

$m_t={\beta }_{1m_{t-1}}+\left(1-{\beta }_1\right)g_t$ (11)

$v_t={\beta }_{2v_{t-1}}+\left(1-{\beta }_2\right)g_t{}^2$ (12)

${\theta }_{t+1}={\theta }_t-\frac{\eta }{\sqrt{\widehat{v_t}+\epsilon }}\widehat{m_t}$ (13)

初始时刻的一阶矩和二阶矩均为0，${\beta }_1$ 和${\beta }_2$ 是动量参数，分别设置为0.9和0.999。参数$\theta$ 沿着修正后的一阶矩方向更新，步长由学习率$\eta$ 和修正后的二阶矩的平方根控制，$\epsilon$ 是一个非常小的常数，防止除零错误。

2.5. BiLSTM→CNN模型的建立

Figure 1. Overall workflow of BiLSTM + CNN model

图1. $\text{BiLSTM}\to \text{CNN}$ 模型结构

为充分发挥BiLSTM在长距离依赖关系建模方面的能力，本文提出$\text{BiLSTM}\to \text{CNN}$ 模型，将one-hot，EIIP和DNA 2-mer编码后的序列首先传入BiLSTM层，通过双向长短期记忆网络提取序列的长距离依赖关系，然后再将这些长距离依赖特征传入CNN层，通过卷积操作进一步提取局部特征，模型结构如图1所示。

2.6. 损失函数

该模型采用二进制交叉熵作为其损失函数，适用于二元分类任务，公式如下：

$loss=-\frac{1}{N}{\displaystyle \sum _{i=1}^N\left[y_i\log \left(y_{pred,i}\right)+\left(1-y_i\right)\log \left(1-y_{pred,i}\right)\right]}$ (14)

$y_i$ 表示真实标签，$y_{pred,i}$ 表示预测标签。

2.7. 性能评价指标

为了评估模型性能，我们使用准确度(ACC)，马修斯相关系数(MCC)，灵敏度(SN)和特异度(SP)作为模评价指标，具体计算如公式(15)~(28)所示。

$ACC=\frac{TP+TN}{TN+FP+TP+FN}$ (15)

$MCC=\frac{TP\times TN+FP\times FN}{\sqrt{\left(TP+FP\right)\left(TN+FN\right)\left(TP+FN\right)\left(TN+FP\right)}}$ (16)

$SN=\frac{TP}{TP+FN}$ (17)

$SP=\frac{TN}{TN+FP}$ (18)

其中，TP (真阳性)和TN (真阴性)分别表示正确预测的6mA和非6mA样本的数量；FP (假阳性)和FN (假阴性)分别是错误预测的非6mA和6mA样本的数量。

3. 实验设计

3.1. 实验数据集

本文使用拟南芥(Arabidopsis)、水稻(Rice)和蔷薇科(Rosaceae)三种植物的DNA 6mA数据进行模型的训练和结果的评估。三个物种的数据集中共包含1个训练集和3个独立测试集，分别是Rosaceae训练集，Rosaceae测试集，Rice测试集和Arabidopsis测试集。本文使用Rosaceae训练集训练模型，将其分成两部分，80%的数据用于训练，20%的数据用于验证，通过对模型的训练，使得该模型能够泛化到Arabidopsis和Rice物种上。四个数据集的详细信息见表1。

Table 1. Dataset information

表1. 数据集信息

数据集	阳性样本个数	阴性样本个数
Rosaceae训练集	29,237	29,433
Rosaceae测试集	7298	7300
Rice测试集	153,635	153,629
Arabidopsis测试集	31,414	31,843

3.2. 特征编码方式

本文将one-hot、EIIP和DNA 2-mer 3种特征组合进行组合，对给定的DNA序列进行编码。在one-hot编码中，每个核苷酸被编码为一个4维二进制向量，即核苷酸A、C、G和T分别被表示为$A=[1,0,0,0]$ 、$C=[0,1,0,0]$ 、$G=[0,0,1,0]$ 和$T=[0,0,0,1]$ 。EIIP根据核苷酸在给定DNA序列中的电子–离子能量分布来表达核苷酸，四个核苷酸分别表示为A = 0.1260、C = 0.1340、G = 0.0806和T = 0.1335。DNA二聚体编码(DNA 2-mer Encoding)的方法将DNA序列转换为数值数组，即 $\begin{array}{l}AA\to 0,AT\to 1,AG\to 3,TA\to 4,TT\to 5,TC\to 6,TG\to 7,CA\to 8,\\ CT\to 9,CC\to 10,CG\to 11,GA\to 12,GT\to 13,GC\to 14,GG\to 15.\end{array}$

当然，为了处理DNA序列中的缺失值(表示为“N”)，在One-Hot编码和EIIP编码过程中，对于遇到的“N”碱基，我们分别使用了零向量$\left[0,0,0,1\right]$ 和数值0.0进行填充；在2-mer编码过程中，缺失碱基分别编码为$AN\to 16,CN\to 17,GN\to 18,TN\to 19,NN\to 20$ 。

3.3. 参数选择

3.3.1. BiLSTM模块参数选择

BiLSTM模块的参数主要涉及BiLSTM的层数以及优化器，我们选取常用的BiLSTM层数1，2和3，优化器为SGD和Adam，并在Rosaceae训练集上对模型进行调试，调试结果见表2，表3。

Table 2. The effect of BiLSTM layers on the BiLSTM module

表2. BiLSTM层数对模型的影响

层数	SN	SP	ACC	MCC	AUC
1	0.943	0.926	0.934	0.869	0.978
2	0.926	0.930	0.928	0.856	0.970
3	0.920	0.929	0.925	0.850	0.970

Table 3. The influence of the optimizer on the BiLSTM module

表3. 优化器对BiLSTM module预测结果的影响

优化器	SN	SP	ACC	MCC	AUC
SGD	0.425	0.659	0.542	0.088	0.562
Adam	0.943	0.926	0.934	0.869	0.978

从表2和表3可以看出，当BiLSTM层数为1层，优化器为Adam时，BiLSTM模块性能达到最优。因此BiLSTM的层数和优化器分别选取1和Adam。

3.3.2. CNN模块参数选择

对CNN模块的选择，我们同样选取常用的参数，并在Rosaceae训练集上进行调试，结果见表4~6。

Table 4. The effect of convolution layers on the CNN module

表4. 卷积层数对模型的影响

层数	SN	SP	ACC	MCC	AUC
1	0.933	0.952	0.942	0.885	0.982
2	0.927	0.925	0.926	0.852	0.974
3	0.929	0.924	0.927	0.853	0.973

Table 5. The effect of activation function on the CNN module

表5. 激活函数对模型的影响

卷积层	压平层	SN	SP	ACC	MCC	AUC
relu	relu	0.935	0.946	0.940	0.881	0.981
elu	elu	0.938	0.948	0.943	0.886	0.982
relu	tanh	0.942	0.944	0.943	0.887	0.982
elu	relu	0.937	0.944	0.941	0.882	0.981
tanh	tanh	0.940	0.947	0.944	0.888	0.982
relu	elu	0.932	0.952	0.942	0.885	0.982
tanh	relu	0.941	0.942	0.941	0.883	0.981
elu	tanh	0.940	0.946	0.943	0.887	0.982
tanh	elu	0.937	0.947	0.942	0.885	0.982

Table 6. The influence of the optimizer on the CNN module

表6. 优化器对CNN模块预测结果的影响

优化器	SN	SP	ACC	MCC	AUC
SGD	0.901	0.892	0.896	0.793	0.958
Adam	0.939	0.949	0.944	0.889	0.983

从表4~6可以看出，当卷积层数为1层，卷积层和压平层的激活函数均为Tanh，优化器为Adam时，CNN模块达到了最优性能。因此取CNN模块的卷积层数为1，各部分激活函数均为Tanh，优化器选择Adam。

4. 结果与分析

4.1 与现有方法的性能比较

基于上述3个物种的独立测试集，我们将$\text{BiLSTM}\to \text{CNN}$ 方法与现有方法进行比较。表7列出了与目前在相应物种上预测能力较好模型的比较结果，主要有Meta-i6mA [10]，iDNA6mA-Rice [11]，MM-6mAPred [5]和6mA-StackingCV [12]。

在Rice物种中，尽管$\text{BiLSTM}\to \text{CNN}$ 模型的SN值(0.946)略低于几种方法，但在其他三3个评估指标上表现出色。与目前对Rice 6mA位点预测的最优方法Meta-i6mA相比，ACC提高0.058，MCC提高0.108，SP提高0.128。与最新的6mA-StackingCV相比，上述3个指标分别高0.093，0.169和0.204。表明$\text{BiLSTM}\to \text{CNN}$ 模型在Rice物种中具有卓越的预测性能，尤其是在减少假阴性方面表现优异。

在Arabidopsis物种中，$\text{BiLSTM}\to \text{CNN}$ 模型在4个评估指标中依然表现出色。与目前对Arabidopsis中6mA位点预测最好和最新的方法6mA-StackingCV相比，其ACC提高0.084，MCC提高0.154，SN提高0.180，并且在所有方法中均为最优。其SP值为0.873，仅低于Meta-i6mA的0.936，排名第二。表明，$\text{BiLSTM}\to \text{CNN}$ 模型在对Arabidopsis物种的6mA位点预测方面具有显著的优势。

尽管$\text{BiLSTM}\to \text{CNN}$ 模型在Rosaceae独立测试数据集上的表现性能略低于6mA-StackingCV和Meta-i6mA，但是4个指标的值在所有方法中均位于前列。并且与最好的方法6mA-StackingCV相比，各项指标的差异最大为0.029，展示了其在该物种上同样具有竞争力。

综上所述，$\text{BiLSTM}\to \text{CNN}$ 在3个独立测试集上均达到了较好的性能，并且相对于其他方法，具有更好的泛化能力。

Table 7. Comparison results with existing methods

表7. 与现有方法结果比较

独立测试集	模型	ACC	MCC	SN	SP
Rosaceae	Meta-i6mA*	0.953	0.905	0.954	0.951
	iDNA6mA-Rice*	0.878	0.764	0.951	0.805
	MM-6mAPred*	0.873	0.758	0.961	0.785
	6mA-StackingCV*	0.960	0.920	0.959	0.961
	BiLSTM + CNN	0.945	0.891	0.945	0.945
Rice	Meta-i6mA*	0.880	0.768	0.957	0.802
	iDNA6mA-Rice*	0.755	0.561	0.960	0.547
	MM-6mAPred*	0.834	0.689	0.958	0.710
	6mA-StackingCV*	0.845	0.710	0.963	0.726
	BiLSTM + CNN	0.938	0.876	0.946	0.930
Arabidopsis	Meta-i6mA*	0.787	0.600	0.636	0.936
	iDNA6mA-Rice*	0.734	0.473	0.655	0.812
	MM-6mAPred*	0.765	0.531	0.784	0.747
	6mA-StackingCV*	0.782	0.576	0.677	0.866
	BiLSTM + CNN	0.866	0.730	0.857	0.873

星号(*)表示结果来自文献[12]。

4.2. 模型分析

为了验证各模块的有效性以及BiLSTM和CNN顺序的合理性，我们还比较了仅使用CNN或者BiLSTM，以及BiLSTM和CNN不同的组合方式在不同数据集上的预测结果。这几种模型分别记为CNN，BiLSTM，$\text{CNN}\to \text{BiLSTM}$ (表示CNN在前，BiLSTM在后)以及$\text{CNN}\leftrightarrow \text{BiLSTM}$ (表示CNN和BiLSTM并联)，本文模型记为$\text{BiLSTM}\to \text{CNN}$ 。表8列出了比较结果。

从表8可以看出，$\text{BiLSTM}\to \text{CNN}$ 模型在3个独立测试集上的ACC均达到最优，在Rosaceae中的SN，Rice中的MCC和SP，以及Arabidopsis中的MCC略低于CNN，Arabidopsis中SP略低于 $\text{CNN}\to \text{BiLSTM}$ ，其他指标均达到最优。这表明相对于只使用单一的CNN或者BiLSTM模块，或者其他的BiLSTM和CNN的结合顺序，$\text{BiLSTM}\to \text{CNN}$ 模型无论是在6mA位点的预测准确性方面，还是模型的泛化能力，都表现出优越的性能。图2所示的ROC曲线进一步支持了这些发现。

Table 8. Performance comparison of five models on independent test data sets

表8. 五种模型在独立测试数据集上的性能比较

独立测试集	模型	ACC	MCC	SN	SP
Rosaceae	BiLSTM	0.912	0.825	0.914	0.910
	CNN	0.942	0.884	0.948	0.937
	$\text{CNN}\leftrightarrow \text{BiLSTM}$	0.940	0.879	0.939	0.940
	$\text{CNN}\to \text{BiLSTM}$	0.941	0.882	0.940	0.942
	$\text{BiLSTM}\to \text{CNN}$	0.945	0.891	0.945	0.945

续表

Rice	BiLSTM	0.938	0.876	0.945	0.931
	CNN	0.938	0.877	0.943	0.934
	$\text{CNN}\leftrightarrow \text{BiLSTM}$	0.937	0.875	0.941	0.933
	$\text{CNN}\to \text{BiLSTM}$	0.937	0.875	0.942	0.933
	$\text{BiLSTM}\to \text{CNN}$	0.938	0.876	0.946	0.930
Arabidopsis	BiLSTM	0.847	0.694	0.826	0.867
	CNN	0.865	0.733	0.849	0.884
	$\text{CNN}\leftrightarrow \text{BiLSTM}$	0.864	0.729	0.844	0.883
	$\text{CNN}\to \text{BiLSTM}$	0.863	0.727	0.840	0.886
	$\text{BiLSTM}\to \text{CNN}$	0.866	0.730	0.857	0.873

Figure 2. The roc curves of different models on three independent test datasets

图2. 不同模型在三个独立测试数据集上的ROC曲线

5. 结论

本文提出了一种基于BiLSTM和CNN的DNA 6mA甲基化位点混合预测模型$\text{BiLSTM}\to \text{CNN}$ 。首先利用one-hot、EIIP和DNA二聚体3种编码方式对DNA序列进行编码，然后在不同网络结构、层数、优化器和学习率下优化模型，并在拟南芥、水稻和蔷薇科三种植物上进行了实验验证。本文通过对比单一CNN模型、单一BiLSTM模型、CNN↔BiLSTM模型、CNN→BiLSTM模型以及本文提出的BiLSTM→CNN模型在Rosaceae、Rice和Arabidopsis三个独立测试数据集上的预测结果，表明BiLSTM→CNN模型在总体准确率(ACC)方面均达到最优，且在多数性能指标上也表现出色。尽管在Rosaceae中的敏感性(SN)、Rice中的马修斯相关系数(MCC)和特异性(SP)，以及Arabidopsis中的MCC和SP方面略低于某些模型，但其综合性能和泛化能力仍然显著优于其他模型。因此，BiLSTM→CNN模型在6mA位点预测任务中展现出优越的性能。与现有方法相比，本文模型在DNA 6mA甲基化位点的预测上表现出更优的性能。

值得注意的是，DNA 6mA甲基化位点的预测工作相当复杂，算法的预测能力不仅取决于模型本身，还与位点附近的序列和位点分布相关，有效结合这些特征可以显著提升预测效果。随着研究手段和计算方法的不断进步，大量新的DNA 6mA甲基化位点将被确定，为识别这些位点提供新的数据支持。在未来的研究中，我们还考虑进一步优化特征编码融合方式，集成多种深度学习方法，以及在更广泛的数据集进行试验评估，从而得到更优的DNA 6mA预测模型。

基金项目

云南省研究生优质课程建设项目“高等数理统计”(云学位[2022] 8号)。

NOTES

^*通讯作者。