摘要

东南大学葛芹玉副教授团队在Journal of Chemical Information and Modeling发表了一种基于深度神经网络的 RNA-seq 数据差异表达基因分析方法，命名为 Deep-Cloud。它的主要优势不仅在于利用卷积神经网络和长短期记忆模型来提取原始数据特征和估计 RNA-seq 数据的基因表达量，而且还结合了云模型的统计方法来量化不确定性，并对 RNA-seq 数据的基因表达量进行深入分析。

英文原题：

Deep-Cloud: A Deep Neural Network-Based Approach for Analyzing Differentially Expressed Genes of RNA-seq Data

通讯作者：葛芹玉，东南大学

作者： Ying Zhou (周莹), Ting Qi(齐婷), Min Pan (潘旻), Jing Tu (涂景), Xiangwei Zhao (赵祥伟)，Qinyu Ge (葛芹玉),and Zuhong Lu (陆祖宏)

[背景介绍]

随着高通量测序技术的不断发展，RNA-seq产生的数据量越来越大。 RNA-seq数据的解释是研究基因功能的基础。这是揭示细胞和组织分子组成的必要步骤。与传统测序方法相比，RNA-seq在分析差异表达基因方面具有明显优势。随着技术的发展和成本的降低，RNA-seq的应用越来越广泛。 RNA-seq 的核心分析任务是在不同的实验条件下识别差异表达基因。然而，目前尚不清楚哪种统计工具最适合分析 RNA-seq 数据。具体来说，已经开发了许多用于分析 RNA-seq 数据的 DEG 的软件包，例如DESeq2, edgeR, baySeq, and EBSeq。然而，每种方法都有优点和缺点。此外，RNA-seq数据的关键差异表达基因对于疾病的诊断、分型、治疗和预后具有重要价值。目前，RNA-seq 数据的差异表达基因分析领域仍处于起步阶段，不断有新的方法被提出来。为了获得更有价值的信息，有必要继续开发新的工具来分析 RNA-seq 数据的差异表达基因。 利用深度神经网络探索 RNA-seq 数据中的基因表达信息在生物医学领域提供了一种新的可能性。

 [文章亮点]

近日，东南大学葛芹玉副教授，周莹博士后在Journal of Chemical Information and Modeling发表了一种基于深度神经网络的 RNA-seq 数据差异表达基因分析方法，命名为 Deep-Cloud。首先，使用卷积神经网络（CNN）和长短期记忆（LSTM）构建深度学习网络模型来预测RNA-seq的基因表达。然后，利用CNN和LSTM结果的残差绘制云模型。最后，获得并分析超出评估区间的差异表达基因。（图1）主要优势不仅在于利用CNN和LSTM构建深度学习网络模型来预测RNA-seq数据的基因表达，还在于结合云模型的统计方法深入分析疾病组和正常组之间的差异表达基因。此外，深云坐标轴包围的受试者工作曲线（ROC）的曲线下面积（AUC）为0.93。 Deep-cloud的敏感性和特异性可以分别达到89.7%和83.4%。与其他软件包相比，Deep-cloud 能够获得最多的差异表达基因。通过多次迭代验证了模型的有效性。分别使用TCGA数据库中的肝细胞癌（HCC）数据和帕金森病（PD）实验数据进行验证。结果表明，深云模型在癌症和一般疾病中都能表现出色。总的来说，Deep-cloud 可以作为分析 RNA-seq 数据差异表达基因的有用工具。

图1. Deep-cloud流程图。首先，使用CNN和LSTM构建深度学习网络模型来预测RNA-seq的基因表达。然后，保存预测模型，并使用其残差绘制云模型。最后通过云模型的统计方法分析得到超出评价区间的差异表达基因。

[总结/展望]

在这项研究中，开发了一种基于深度神经网络的新模型，名为 Deep-Cloud。其主要优点不仅是利用卷积神经网络和长短期记忆构建深度学习网络模型来预测RNA-seq数据的基因表达，而且结合云模型的统计方法进行深度学习分析疾病组与正常组之间的差异表达基因。其敏感性为89.7%，特异性为83.4%。使用 Deep-cloud 可以找到更多与疾病相关的 GO 或 KEGG 通路。总体而言，所提出的 Deep-cloud 为生物医学领域的 RNA-seq 数据挖掘开辟了一条新途径。

相关论文发表在Journal of Chemical Information and Modeling上，东南大学博士后周莹为文章的第一作者， 葛芹玉副教授为通讯作者。

通讯作者介绍：

葛芹玉副教授：个人及课题组简介可见网站 https://www.x-mol.com/groups/qinyu_ge

出版信息：

Journal of Chemical Information and Modeling. 2023,

Publication Date: September 8, 2023

https://doi.org/10.1021/acs.jcim.3c00766

原文链接：

https://doi.org/10.1021/acs.jcim.3c00766