DNA N6-甲基腺嘌呤(6) mA)腺嘌呤N它发生在分子水平上，参与了水稻基因组中许多重要的生物学过程。由于缺乏生物实验，研究人员开发了许多计算方法来预测6种mA位点，性能好。然而，现有的方法并没有考虑六种方法mA从分子结构中提取特征的发生机制。本文提出了一种新的深度学习方法，即设计DNA水稻6分子图特征和残余块结构 mA位点预测的方法MGF6mARice。首先，将DNA参照化学分子结构，将序列转换为简化的分子输入线输入系统格式。其次，我们根据图卷积网络的原理构建了分子结构数据DNA分子图特征。然后从分子图特征中提取更高层次、可区分的特征。最后，使用预测模块得出它是否为6 mA位点的结果。十倍交叉验证，MGF6mARice优于最先进的方法。许多实验表明，分子图特征和残差块可以促进MGF6mARice在6 mA预测性能。据我们所知，这是第一次考虑化学分子结构DNA序列特征。我们希望MGF6mARice研究人员于研究人员分析水稻中的6个mA位点。

DNA甲基化作为一种表观遗传机制，与多种生物学功能有关。常见的DNA甲基化类型是N4-甲基胞嘧啶(4)mC）、5-甲基胞嘧啶(5)mC）和N6-甲基腺嘌呤(6) mA）[2,3]。其中，6 mA在高等真核生物[4、5]中发现的腺嘌呤上升(DNA含氮基)修饰(-甲基)N6位置))。近年来，越来越多的研究表明，水稻中的6 mA它在许多生物学功能中起着重要作用。例如，水稻中六个mA(i)抑制转录，然后调节基因表达[6]；(ii)与应激反应和适应逆境[7]有关；(iii)调节水稻[8]的生长发育，与繁殖有关。 目前，生物实验室6 mA常用的准确检测技术主要包括6 mA甲基化DNA免疫沉淀测序(6mA-IP-seq)，6mA-IP-seq结合外切酶消化(6mA-CLIPexo-seq)，限制性内切酶消化甲基化DNA，然后测序(6mA-RE-seq)实时测序单分子(SMRT-seq)[9]。在单碱基分辨率[10，11]下，后两种方法可检测到6种mA位点。然而，当基因组中时 mA当比例较低时，6mA-RE-seq所有六个都不能检测mA由于限制性内切酶需要特定的序列上下文和不完全消化[11,12]。相对而言，与上述方法相比，SMRT-seq在6 mA检测[13]的准确性和鲁棒性方面是目前更好的方法，已用于多种真核生物[14–16]中6 mA的检测。然而，SMRT-seq测序覆盖率高，成本高，限制了其大规模应用[14]。类似于4mC和5mC由于上述生物实验的缺点，研究人员开发了许多水稻基因组中的6个mA位点的计算预测方法。这些方法大致可以分为传统的机器学习(ML)如表1所示，方法和深度学习方法，或使用单一特征或不同特征。 即使现有的方法性能良好，水稻6mA位点预测仍然不足。在腺嘌呤的分子结构中，N6位点被甲基修饰，产生DNA 6mA。但现有的方法主要是基于核酸(对)类型、核苷酸(对)的频率和理化特性。换句话说，没有特征考虑DNA 6mA产生机制的分子水平是从DNA从碱基的分子结构中提取。与此同时，药物和肽序列中成功应用的分子结构特征，以及对微生化分子的研究，6mA网站预测方法在大米根据DNA本研究中的化学分子结构。一个DNA序列最初表示为简化的分子输入线进入系统（(SMILES)）它描述了分子的化学结构。.对于由化学分子结构组成的图数据，使用图卷积网络(GCN)[47]构建新特征的基本原理，即DNA分子图特征(MGF)。此外，考虑到残余块被广泛应用于生物信息学[48]，本研究也被应用，因为它可以提取更高层次、更容易识别的特征。据我们所知，水稻中有6个残留区块mA位点预测中的应用很少我们提出了本研究的主要工作基于分子图特征和残差块的深度学习方法预测水稻6mA，称为MGF6mARice。与多面实验证明的最先进的方法相比，MGF6mARice它具有更好的性能和相当大的鲁棒性。更重要的是，通过对不同特性和分类器的比较实验，MGF明显更适合和有效的水稻6 mA位点预测。据我们所知，这是第一次根据化学分子结构设计DNA序列特征。

MGF6mARice评估三种数据集的性能，即基准数据集：Chen and Rice:Lv,水稻构建的不平衡数据集：Chen or Rice:Lv,，两个独立数据集。

水稻：陈数据是水稻基因组[19]中第一个高质量的DNA6 mA基准数据集。通过登录号GSE103145[15]从NCBI GEO(基因表达综合系统)SMRT-seq数据结束后，根据甲基组分析技术说明获得水稻：Chen阳性样品。水稻：Chen阴性样本来自实验结果证实未甲基化的序列，或6 mA富集较少的基序。水稻:与水稻相比:Lv是一个由iDNA6mA-Rice[22]构建更大的数据集。水稻品种阳性和阴性样品的获取规律与水稻品种相似。在这两个数据集中，用CDHIT减少同源偏差和去冗余的工具[49]。考虑到巨大的时间和空间成本，小数据集的构建和优化使用Rice：Chen和Lv对模型的性能进行大量数据评估。

在自然界中，阴性样本的数量通常远远大于阳性样本的数量。有时，样本的不平衡可能会显著降低分类性能。建立了六个不平衡数据集，以研究个不平衡数据集。Rice：Chen和Rice：Lv，这些不平衡数据集的阳性和阴性样本分别通过1:5、1:10和1:20随机选择

在对模型进行训练和调整后，经常使用独立的数据集来检查模型的泛化能力。本研究准备了两种独立的数据集：相同的物种独立的数据集。Wang等[39]从eRice在数据库[50]中收集、处理得6 mA水稻数据集，阳性和阴性样本分别接近60万。考虑到样本数量大，只随机选择10 000 阳性样本和阴性样本形成同一物种的独立数据集。独立数据集的样本与基准数据集的样本和基准数据集的样本没有交集。跨物种独立数据集。mAPred-MSFF[40]三种杂交种，包括 A.拟南芥， D.黑腹蝇和R.chinensis直接作为独立数据集。

上述数据集的细节如表2所示。所有序列为41bp。阳性和阴性样本序列的第21位分别代表6 mA位点和非6ma位点(腺嘌呤N六位未经甲基修饰)。

图片是MGF6mARice系统结构流程图。它主要包括四个模块：DNA的 SMILES表示、MGF提取代码、残差块的特征MGF6mARice预测。

在我们的工作中，如何有效地表示分子结构是实现特征编码的关键步骤。使用分子图，SMILES通过描述简单的化学分子语言ASCII弦[46]分子结构。SMILES药物-靶标[51–53]的相互作用和结合亲和力预测、肽毒性预测[43]等。对于一个DNA有四种碱基，即腺嘌呤(A)、胸腺嘧啶(T)、鸟嘌呤(G)和胞嘧啶?.化学分子结构对应于每个碱基。化学分子结构需要转化为计算机可以处理的形式。然而，到目前为止，SMILES串尚未应用DNA进一步提取碱基的特性。因此，我们使用本节SMILES串来表示DNA，如图1A所示。将碱基的化学分子结构转化为相应的SMILES如图2所示。请注意本研究中使用的规范SMILES[54]是为了避免歧义。 以碱A为例(图2A）：(i)第一行A碱A化学分子结构包括碳原子（C，用inf表示拐点或端点)、氮原子(N)、单键和双键（=）。(ii)假设两个蓝键在第二行的分子结构中被打破，分别用1、2表示。因此，封闭的分子结构转化为线性开放形式，便于描述。(iii)第三行有主链(绿色标记)和分支链(黄色标记)。(iv)最后，按照规定的顺序记录所有原子、键和断点，其中分支链上的原子用括号包括。因此，碱基ASMILES表示为：C1=NC2=NC=NC(=C2N1)N。其他碱基的SMILES串也以同样的方式得到(图2B-D)。 所以，我们从PubChem在数据库[55]中获取相关数据，建立一组SMILES串来表征DNA序列。 制作SMILES

给定SMILES串，具有生物意义的特征是编码的关键步骤。在图形结构数据中，节点的邻域对节点[56、57]非常重要。在本研究中，我们整合了原子的邻居（即节点）来编码DNA序列中碱基的一个特征。为了从原子的邻居那里提取有效的信息，我们按照以下三个步骤进行结构MGF编码。 首先，我们建造了它DNA序列Gs={G1、G2、···、Gl}其中l是图DNA序列中的碱基数。Gb=(Vb、Eb)表示碱基b的对应图，其中Vb={v1、v2、···、vm}是所有原子的集合，m表示原子的数量，Eb={(v1、v2)、(v1、v3)、···、(vi、vj)}是原子之间的连接集合。 然后构建相邻矩阵A和节点特征矩阵N。A的元素aij说明原子之间是否有联系。(vi、vj)属于Eb，则aij为1，否则aij为0。原子本身之间没有联系，也就是说主对角线是0。因为A的维数只是由Gb中m决定，A∈Rm×m，A也是个对称矩阵。 然而，邻接矩阵A只能参考原子之间的二维连接信息。原子特征也体现了分子[58]的三维结构信息，可以用来提高可解释性。因此，原子的特征采用节点特征矩阵N的形式。N的一行向量ninnii表示Gb中一个原子vi的所有特征。ninnii的长度等于原子特征的维数k。因此，N的形状是R×。原子特征包括原子符号、分子中原子的程度、[59]等。详情见补充表S1。 GCN是对图结构数据卷积的推广，可以充分整合节点信息，已被生物信息学[42,57,60]广泛采用。它的本质是提取图[47]的结构特征。在本节中，对于邻接矩阵A和节点特征矩阵N，我们利用GCN固有原理提取DNA MGF。具体来说，对于一个碱基MGFbase的MGF，可以通过MGFbase=ˆAˆN进行计算，其中ˆA和ˆN为归一化矩阵，即。

其中，I是与A大小相同的单位矩阵，用于添加自环，以包含节点本身的特征（即分子中的原子）。D是A+IA+IA+I的度矩阵，nij是节点特征矩阵N中的一个元素，ˆni表示归一化节点特征矩阵ˆN的一行向量。节点特征矩阵ˆN。最后，将碱基的MGFs按顺序拼接在一起，得到一个DNA序列MGFseq的MGF(图1B)。详情见补充资料。

对于使用残差块提取的更深层次的特征，我们使用多层感知(MLP)构建一个预测模块，以确定DNA序列是否包含6个mA位点(图1D)。残余块(Or2)的输出被输入到具有relu激活函数(FCrelu)的三层MLP中，即。 最后，一个样本成为一个 6mA位点(pred)的概率计算如下： 其中fc（sigmoid）表示具有s型激活函数的完全连接层。如果pred小于0.5，则DNA序列为阴性样本，表示没有6个mA位点。否则，则为包含一个6 mA位点的阳性样本。

超参数的优化在神经网络[42,63]的预测模型中起着至关重要的作用。在我们的预测模型中，需要优化的超参数是残差块数、MLP中的全连接层数、每个全连接层中的单位数、辍学率、优化器和批大小(值范围见补充表S2)。为了减少优化时间和提高优化效率，我们使用贝叶斯优化算法得到由Python包超[64]提供的优化超参数。有关结果详见补充表S3。 此外，我们利用二值交叉熵作为损失函数，并使用随机梯度下降优化器对其进行优化。为了防止过拟合，在MGF6mARice中采用了批归一化和辍学层。同时，MGF6mARice也使用了学习速率衰减策略来促进模型[65]的优化和泛化。

本研究采用10倍交叉验证(10-CV)来评价MGF6mARice的性能和最先进的方法。在基准数据集和不平衡数据集中，所有样本均以8：1：1的比例随机分为训练集、验证集和测试集。使用10个测试集结果的平均值作为最终的10-CV结果。为了评估我们提出的方法和其他方法的性能，我们采用了几种传统的评价措施[66,67]，包括敏感性(Sn)、特异性(Sp)、准确性(Acc)和Mathew相关系数(MCC)。

与最先进的方法进行比较 为了评估MGF6mARice的预测性能，我们将其与以下最先进的方法进行了比较，包括6mAPred-MSFF[40]，i6mA-CNN[38]和经典的方法SNNRice6mA[27]。随后，在上述三种类型的数据集上，对MGF6mARice与比较方法进行了多次比较实验。

由于水稻：Chen数据集的大小小于水稻：Lv数据集，因此对水稻：Chen进行20次，对水稻：Lv进行10次。表3列出了四种方法的结果

图5显示了每种比较方法在10-CV上的AUPR。可以看出，由于正、负样本数量之间的差距的增大，AUPR由于对不平衡比的敏感性而显著减小。在不同的阳性样本和阴性样本比例下，无论是在大数据集(Rice：Lv)还是小数据集(Rice：Chen)上，MGF6mARice的AUPR都优于其他方法。

利用在独立数据集上的实验结果，进一步判断MGF6mARice等方法的泛化性能。从表4中可以看出，MGF6mARice的准确性优于其他方法。因此，与其他方法相比，MGF6mARice具有较好的泛化性能。 不同特征(MB、DB、1-gram、2-gram、NAC、DNC、NCP、DPP和MGF（本研究）)在6个分类器上的10倍交叉验证结果。(A)MGF6mARice-模型结果(MGF6mARice网络)结果；KNN的(B)结果；SVM的©结果；MLP的(D)结果；(E)LR的结果；(F)NB的结果。 由残差块提取的特征的t-SNE可视化。MGF的(A)可视化；(B)无残块提取的特征可视化；©一个残块提取的特征可视化；(D)两个残块提取的特征可视化。橙色和蓝色分别表示6个mA和非6mA样品

来自MGF6mARice分类和真实样本类别的预测样本类别的t-SNE可视化。绿色和红色分别表示原始阳性样本和阴性样本的数据分布。圆圈表示真实的样本类别，叉子代表预测类别。当预测的类别与真实的类别一致时，即当圆圈和交叉的颜色相同时，预测是正确的，否则预测是错误的。(A)表示MGF6mARice对分类的可视化，无残留块。(B)表示MGF6mARice的分类可视化。

MGF6mARice的有效性已在上述章节中得到验证。为了进一步说明MGF6mARice的剩余主要部分的贡献，我们通过考虑不同的模块化组合进行了一系列的消融研究。考虑到Rice：Lv数据集数据量大，且时间成本高，消融Rice研究仅在Rice：Chen数据集上进行。我们考虑了以下MGF6mARice的变体： MGF6mARice-MLP是输出模块中没有MLP的变体。 MGF6mARice-Res是没有残留块的变体。 MGF6mARice-Res-MLP是没有MLP和残留块的变体。 使用MGF6后，mARice显著减少。基于上述分类结果的可视化，再次证明了残差块的有效性。