使用深层卷积神经网络提高Hi-C数据分辨率

摘要

Hi-C技术是一种测量整个基因组中所有成对交互的频率的技术,已成为研究基因组3D结构最流行的工具之一。通常情况下,基于Hi-C数据的研究需要测序大量的染色体数据,而测序深度较低的Hi-C数据虽然成本较低,但不足以提供充足的生物学信息给后续研究。由于Hi-C数据包含了类似的子模式,且一定区域内具有数据连续性,因此可以被预测。文中探究了基于卷积神经网络模型的改进方法,该模型以更大的范围预测核心的Hi-C数值,并扩展卷积神经网络的深度和感受野,通过1/16的原始测序读数,预测出Hi-C数据的原始测序读数。实验结果以皮尔森相关系数和斯皮尔曼相关系数衡量,并使用Fit-Hi-C分析明显的相互作用对,以及通过调用ChromHMM标记的染色质状态区域进行染色质状态分析。实验结果表明,预测结果不仅在数值分布规律上接近,而且在位点互作信息和染色质状态等方面也比低分辨率Hi-C数据更加可靠。