DOI: https://doi.org/10.1038/s41598-026-37483-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41634097
تاريخ النشر: 2026-02-03
المؤلف: Pratik Dutta وآخرون
الموضوع الرئيسي: علم الجينوم وديناميات الكروماتين
نظرة عامة
تقدم البحث TFBS-Finder، وهو نموذج تعلم عميق مصمم للتنبؤ بمواقع ارتباط عوامل النسخ (TFBSs) في تسلسلات الحمض النووي. يدمج هذا النموذج DNABERT المدرب مسبقًا لتمثيل السياق العالمي، إلى جانب شبكة عصبية تلافيفية (CNN)، ووحدة انتباه كتلة تلافيفية معدلة (MCBAM)، ووحدة تلافيف متعددة المقاييس مع انتباه (MSCA) لاستخراج الميزات المحلية. تم تدريب النموذج والتحقق من صحته على 165 مجموعة بيانات ENCODE ChIP-seq، مما يظهر أداءً متفوقًا على المنهجيات الحالية من حيث الدقة المتوسطة، PR-AUC، وROC-AUC. أبرزت دراسات الإزالة أهمية كل من السياقات المحلية والعالمية في تحديد TFBS، بينما أكدت التحقق عبر خطوط الخلايا على قوة النموذج وقابليته للتعميم.
يعترف المؤلفون بالتحيزات المحتملة في تحليلهم بسبب استخدام تسلسلات ثنائية النوكليوتيد الم shuffled كعينات سلبية، والتي قد لا تمثل بدقة تسلسلات الحمض النووي الفعلية. يقترحون العمل المستقبلي لتضمين المعلومات الهيكلية للحمض النووي واستكشاف تأثير خيارات التسلسل السلبي المختلفة على أداء TFBS-Finder ونماذج أخرى موجودة. الشيفرة المصدرية لـ TFBS-Finder متاحة للجمهور، مما يسهل المزيد من البحث والتحقق في مجال الشبكات التنظيمية للجينات.
طرق
في قسم “الطرق”، يوضح المؤلفون عملية إعداد البيانات ويفصلون خط الأنابيب المنهجي المستخدم في بحثهم. تشمل إعداد البيانات خطوات منهجية لضمان سلامة وملاءمة مجموعة البيانات للتحليل، والتي قد تشمل التنظيف، والتطبيع، وتحويل البيانات الخام. بعد ذلك، يصف المؤلفون سير العمل لدراستهم، مع تسليط الضوء على المراحل والتقنيات المتتابعة المستخدمة لتحقيق أهداف بحثهم. هذه المقاربة المنظمة حاسمة لإمكانية التكرار ولتحقق النتائج المقدمة في الأقسام اللاحقة من الورقة.
النتائج
في هذا القسم، تُعرض نتائج الدراسة، مع التركيز على أداء نموذج TFBS-Finder في تحديد مواقع ارتباط عوامل النسخ (TFBS) ضمن التسلسلات الجينومية. أظهرت التحليلات الأولية أن TFBS-Finder يميز بفعالية بين التسلسلات التي تحتوي على TFBS ونظيراتها الم shuffled. لتقييم قوة النموذج بشكل أكبر، تم إجراء دراسات الإزالة لتقييم مساهمات وحداته الخمسة المكونة.
بالإضافة إلى ذلك، تم فحص قدرة النموذج على التعميم عبر خطوط الخلايا المختلفة، مما كشف عن اتساق كبير عبر خطوط الخلايا عند تدريبه على تسلسلات من خط خلية محدد. أخيرًا، أبرزت الدراسات المقارنة مع المتنبئين الحاليين المتقدمين الأداء المتفوق لـ TFBS-Finder، مما يبرز فعاليته في تحديد TFBS.
المناقشة
في قسم المناقشة من ورقة البحث، يقيم المؤلفون أداء نموذجهم، TFBS-Finder، بناءً على قيم k-mer المتغيرة ومن خلال دراسة الإزالة. وجدوا أن استخدام قيمة k-mer تبلغ 5 أسفر عن أفضل النتائج عبر مقاييس الدقة، PR-AUC، وROC-AUC، مما أدى إلى اعتماده للتجارب اللاحقة. أظهرت دراسة الإزالة مساهمات مكونات النموذج المختلفة، كاشفة أن التكوين الأمثل، الذي يتضمن وحدة الانتباه المعدلة للكتلة التلافيفية (MCBAM) والتلافيف متعددة المقاييس مع الانتباه (MSCA)، يعزز الأداء بشكل كبير. على وجه التحديد، حقق النموذج دقة تبلغ 0.930، وPR-AUC تبلغ 0.961، وROC-AUC تبلغ 0.961، متفوقًا على جميع المتغيرات ومؤكدًا أهمية الحفاظ على توازن بين استخراج الميزات المحلية والعالمية.
علاوة على ذلك، أجرى المؤلفون تحققًا عبر خطوط الخلايا لتقييم قابلية تعميم TFBS-Finder في تحديد مواقع ارتباط CTCF عبر خطوط الخلايا المختلفة. حقق النموذج باستمرار درجات ROC-AUC تتجاوز 0.93، مما يدل على أداء قوي. أبرز تحليل مقارن مع النماذج الحالية الأداء المتفوق لـ TFBS-Finder، محققًا تحسينات ملحوظة على المعايير مثل BERT-TFBS وSAResNet في جميع المقاييس التي تم تقييمها. تم تأكيد الأهمية الإحصائية لهذه النتائج، مما يعزز فعالية TFBS-Finder كأداة رائدة للتنبؤ بمواقع ارتباط عوامل النسخ. بشكل عام، تؤكد النتائج على فعالية وكفاءة النموذج، فضلاً عن إمكانياته لتطبيقات أوسع في علم الجينوم.
DOI: https://doi.org/10.1038/s41598-026-37483-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41634097
Publication Date: 2026-02-03
Author(s): Pratik Dutta et al.
Primary Topic: Genomics and Chromatin Dynamics
Overview
The research presents TFBS-Finder, a deep learning model designed to predict Transcription Factor Binding Sites (TFBSs) in DNA sequences. This model integrates pre-trained DNABERT for global context representation, alongside a convolutional neural network (CNN), a modified convolutional block attention module (MCBAM), and a multi-scale convolutions with attention (MSCA) module for local feature extraction. The model was trained and validated on 165 ENCODE ChIP-seq datasets, demonstrating superior performance over existing methodologies in terms of average accuracy, PR-AUC, and ROC-AUC. Ablation studies highlighted the significance of both local and global contexts in TFBS identification, while cross-cell line validations confirmed the model’s robustness and generalizability.
The authors acknowledge potential biases in their analysis due to the use of shuffled di-nucleotide sequences as negative samples, which may not accurately represent actual DNA sequences. They propose future work to incorporate DNA structural information and to explore the impact of different negative sequence choices on the performance of TFBS-Finder and other existing models. The source code for TFBS-Finder is publicly available, facilitating further research and validation in the field of gene regulatory networks.
Methods
In the “Methods” section, the authors outline the data preparation process and detail the methodological pipeline employed in their research. The data preparation involves systematic steps to ensure the integrity and suitability of the dataset for analysis, which may include cleaning, normalization, and transformation of raw data. Following this, the authors describe the workflow of their study, highlighting the sequential stages and techniques utilized to achieve their research objectives. This structured approach is critical for replicability and for validating the findings presented in subsequent sections of the paper.
Results
In this section, the results of the study are presented, focusing on the performance of the TFBS-Finder model in identifying transcription factor binding sites (TFBS) within genomic sequences. Initial analyses demonstrated that TFBS-Finder effectively distinguishes between sequences containing TFBS and their shuffled counterparts. To further assess the model’s robustness, ablation studies were conducted to evaluate the contributions of its five constituent modules.
Additionally, the model’s capability to generalize across different cell lines was examined, revealing significant cross-cell line consistency when trained on sequences from a specific cell line. Finally, comparative studies with existing state-of-the-art predictors highlighted the superior performance of TFBS-Finder, underscoring its efficacy in TFBS identification.
Discussion
In the discussion section of the research paper, the authors evaluate the performance of their model, TFBS-Finder, based on varying k-mer values and through an ablation study. They found that using a k-mer value of 5 yielded the best results across accuracy, PR-AUC, and ROC-AUC metrics, leading to its adoption for subsequent experiments. The ablation study demonstrated the contributions of various model components, revealing that the optimal configuration, which includes the modified convolutional block attention module (MCBAM) and multi-scale convolutions with attention (MSCA), significantly enhances performance. Specifically, the model achieved an accuracy of 0.930, PR-AUC of 0.961, and ROC-AUC of 0.961, outperforming all variants and confirming the importance of maintaining a balance between local and global feature extraction.
Furthermore, the authors conducted cross-cell line validation to assess the generalizability of TFBS-Finder in identifying CTCF binding sites across different cell lines. The model consistently achieved ROC-AUC scores exceeding 0.93, indicating robust performance. A comparative analysis with existing models highlighted TFBS-Finder’s superior performance, achieving notable improvements over benchmarks such as BERT-TFBS and SAResNet in all evaluated metrics. The statistical significance of these findings was confirmed, reinforcing the efficacy of TFBS-Finder as a leading tool for predicting transcription factor binding sites. Overall, the results underscore the model’s effectiveness and efficiency, as well as its potential for broader applications in genomics.