近日,中国农业科学院生物技术研究所谷晓峰团队、田健团队和普莉团队合作在New Phytologist上发表了题为A deep learning approach to automate whole-genome prediction of diverse epigenomic modifications in plants的研究论文,构建了植物表观遗传修饰智能预测在线工具SMEP。该项工作通过利用人工智能(Artificial Intelligence,AI)的方法,深度学习植物DNA甲基化、RNA甲基化、组蛋白修饰等序列信息,系统实现了水稻、玉米等物种中表观修饰位点的预测,为作物功能基因组研究和智能设计育种提供工具和数据支撑。

表观遗传是指在不改变DNA、RNA或蛋白序列的情况下,调控基因的表达量,影响植物的生长发育、响应环境信号等多个方面,是生物性状多样性的基础。近年来,检测技术和高通量测序的发展推动了作物表观组学的研究(Zhang et al., 2020;Liang et al., 2020)。然而,由于受到检测技术、实验成本、取材组织以及表观修饰动态可逆的调控特性等多因素影响,大量表观修饰位点及动态变化规律没有得到发掘和研究。因此,如何利用现有表观组学数据深入探索潜在的表观修饰位点是当前表观遗传研究面临的关键问题。
深度学习(Deep learning)是是当今人工智能(AI)的主流技术,其利用多层卷积神经网络(CNNs)从输入数据中提取新的特征,在基因组学、表观组学等多组学大数据分析和预测上展现广阔的应用潜力(Zou et al., 2019; Wang et al., 2020)。利用前期绘制粳稻日本晴和籼稻93-11的表观修饰图谱(Zhang et al., 2018),包括DNA 5-甲基胞嘧啶(5mC)和N6-甲基腺苷(6mA)甲基化,以及从NCBI下载的RNA N6-甲基腺苷(m6A)甲基化、三种组蛋白H3K4me3、H3K27me3和H3K9ac的数据,构建了高准确度的智能预测模型(SMEP)。SMEP模型经过参数优化、交叉验证以及实验验证,在预测DNA甲基化、RNA甲基化和组蛋白修饰等表观遗传修饰位点中具有高可信度。其中,利用粳稻日本晴的表观组学数据集,SMEP对6mA的预测准确率达到了95%,对5mC、m6A和三种组蛋白修饰也达到了80%以上。同时,该研究还成功地将SMEP模型应用于籼稻代表品种93-11及玉米品系B73中表观修饰位点的预测。由于SMEP预测了大量正常实验条件下检测不到的位点,团队进一步通过热激胁迫处理实验,验证了SMEP预测的特异地响应热激反应的6mA修饰位点,表明SMEP预测的表观修饰位点可能参与多种环境响应。最后,在线构建了SMEP智能预测工具,提供了检索表观遗传修饰位点和基因表达数据的可视化界面供用户参考使用。
综上所述,基于深度学习的表观智能预测模型SMEP可以实现植物的多种表观修饰位点预测,为水稻、玉米等物种的重要农艺性状智能设计提供挖掘工具和数据支撑。

图注 基于深度学习任务模型的 SMEP 计算工作流程
生物技术研究所谷晓峰研究员、田健研究员、普莉研究员为论文通讯作者,生物所研究生王一凡、张平贤、郭位军、刘汗青为共同第一作者,该研究得到国家重大专项、国家自然科学基金、中国农科院科技创新工程等项目资助。
参考文献
Zhang P, Wang Y, Gu X. 2020. RNA 5-Methylcytosine Controls Plant Development and Environmental Adaptation. Trends in Plant Science 25: 954-958.
Liang Z, Riaz A, Chachar S, Ding Y, Du H, Gu X. 2020. Epigenetic modifications of mRNA and DNA in plants. Molecular Plant 13: 14–30.
Wang H, Cimen E, Singh N, Buckler E. 2020. Deep learning for plant genomics and crop improvement. Current Opinion in Plant Biology 54: 34–41.
Zhang Q, Liang Z, Cui X, Ji C, Li Y, Zhang P, Liu J, Riaz A, …,Gu X. . 2018. N6-methyladenine DNA methylation in japonica and indica rice genomes and its association with gene expression, plant development, and stress responses. Molecular Plant 11: 1492–1508.
Zou J, Huss M, Abid A, Mohammadi P, Torkamani A, Telenti A. 2019. A primer on deep learning in genomics. Nature Genetics 51: 12-18.
来源:BioArt植物
原文链接:http://mp.weixin.qq.com/s?__biz=MzU3ODY3MDM0NA==&mid=2247508727&idx=2&sn=f90769496553720b3288a24044690ab7
版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。
电话:(010)86409582
邮箱:kejie@scimall.org.cn