许召春 刘华军

（景德镇陶瓷大学信息工程学院，江西 景德镇333403）

最常见的DNA 甲基化修饰分别是N6- 甲基腺嘌呤（6mA）、5- 甲基腺嘌呤（5mC）、N4- 甲基胞嘧啶（4mC）。DNA 6mA 和5mC 位点广泛存在于原核生物和真核生物中，而DNA 4mC 位点只存在于原核生物中[1]。4mC 于1983 年被发现，是细菌DNA中最不常见的甲基化DNA 碱基[2]。DNA 4mC 在限制性修饰体系中起着重要作用[3]。为了更好地理解它们的功能机制，识别4mc修饰是非常重要的。DNA 4mC 位点的实验筛选是耗时、费力和昂贵的。因此，开发生物信息学工具大规模准确高效地识别4mC 位点是湿实验的有效补充。近年来研究者们基于机器学习方法研发了一系列高效的4mC 位点高通量识别方法，本文就4mC 位点预测研究进行综述，并对此提出展望。

1 现有4mC 预测器

1.1 iDNA4mC

iDNA4mC[4]是最早由陈伟与林昊两个团队利用机器学习方法共同提出的预测4mC 修饰位点的预测工具。含4mC 位点的阳性样本是从MethSMRT 数据库中获取，涉及线虫、果蝇、拟南芥、大肠杆菌、嗜碱菌和地杆菌六个物种，最终采用滑窗法（最优窗口长度为41bp）构建了高质量的平衡数据集（表1）。

表1 基准数据集物种正样本及负样本数量分布

DNA 样本序列由核苷酸物理化学属性和核苷酸密度进行编码，每个核苷酸被转化为4 维离散型向量，采用支持向量机作为分类器，在六种物种数据上执行jackknife 交叉验证，主要的性能评价指标ACC 与MCC 值见表2。

1.2 4mCPred

4mCPred[5]预测器是由邹权团队开发，沿用了iDNA4mC 预测器的训练样本数据，为了充分提取基准数据集中的信息，利用三核苷酸的位置特异性偏好和电子- 离子相互作用的伪电位值将DNA 序列转化为数值向量。为了获得更好的泛化预测模型，采用最优特征选择技术（F-score）来选择最优特征子集。作者尝试了不同的分类算法，包括朴素贝叶斯、KNN、随机森林及SVM，最终基于SVM构建了具有更好性能的分类模型，jackknife交叉验证结果见表2，结果表明，相比于iDNA4mC 预测器，4mCPred 预测器的整体性能有一定程度提高。

表2 六种物种数据集上各类预测器交叉验证结果

1.3 4mcPred-SVM

在前两个预测器的基础上，邹权团队充分利用基于序列信息的特征表示算法提出了新的预测器4mcPred-SVM[6]，用于DNA 4mC 位点的全基因组检测。为了提高特征表示能力，作者采用了两步特征优化策略，从而获得最具代表性的特征。利用所得到的特征和支持向量机(SVM)自适应地训练不同物种的最优模型，结果详见表2。对6 个物种的基准数据集的比较结果表明，与最先进的预测器相比，预测器4mcPred-SVM 能够在预测4mC 位点方面获得更好的性能。重要的是，基于序列的特征能够可靠而稳健地预测4mC 位点，有助于发现潜在的重要序列特征，用于预测4mC 位点。

1.4 Meta-4mCpred

Manavalan 等人[7]采用了一种特征表示学习方案，基于4 种不同的机器学习算法和7 种不同的特征编码，生成了56 个概率特征，涵盖了不同的序列信息，包括成分信息、物理化学信息和位置特定信息。然后，利用概率特征作为支持向量机的输入，最终建立Meta-4mCpred 预测器。交叉验证结果表明来自上述6 个不同的物种的Meta-4mCpred 的总体平均准确率为84.2%，这比现存最好的预测器高出大约2%-4%（见表2）。

1.5 4mCCNN

KHANAL 等人[8]基于上述六种物种的相同基准数据集，采用较为流行的one-hot 编码，利用卷积神经网络开发了4mCCNN预测模型。性能最好的超参数是通过使用网格搜索方法获得，交叉验证结果显示，4mCCNN 预测器性能相比前几个预测器更加良好（见表2），这也意味着深度学习算法在特征表征方面更具优势。

1.6 4mCpred-EL

虽然基于机器学习方法在其他物种中有很好的4mC 鉴定前景，但是目前还没有一种方法可以用于检测小鼠基因组中的4mC 位点。Manavalan[9]提出了一种新计算方法，称为4mCpred-EL，是识别小鼠基因组中4mC 位点的第一个方法，其中使用了四种不同的机器学习算法和七个特征编码方法。然后将这些特征编码的预测概率值作为特征向量，再一次输入到机器学习算法中，将相应的模型通过集成学习进行融合决策，结果见表3。

表3 其他物种基准数据集上预测器性能

1.7 iEC4mC-SVM

虽然上述基于机器学习的DNA 4mC 位点的预测器总体性能较好，能提供研究者对4mC 修饰的生物学功能和机制更深入的了解，但是，现有的识别大肠杆菌4mC 位点的分类器性能仍然有待提高。为此，一种新的基于SVM的4mC 位点预测模型iEC4mC-SVM被LV 等人提出，该模型采用多特征融合，并结合光梯度增强机特征选择技术（LGBM）选择最优特征子集，结果比最新的大肠杆菌性能更高，具体度量值见表3。

1.8 i4mC-ROSE

MehediHasan 提出了一种新的预测因子i4mC-ROSE，用于确定蔷薇科中F. vesca 和R. chinensis 基因组中的4mC 位点。首先，利用随机森林(RF)算法分别联合k- 空间光谱核苷酸组成(KSNC)、电子- 离子相互作用伪电位(EIIP)、k-mer 组成(Kmer)、二进制编码(BE)、二核苷酸理化性质(DPCP)和三核苷酸理化性质(TPCP)特征表示方法，生成六个概率分值。其次，将六种概率得分与线性回归模型相结合，提高预测性能。文献表明，i4mC-ROSE 是第一个预测蔷薇科基因组中4mC 位点的计算工具。

为了方便广大研究学者进行DNA 4mC 修饰位点预测分析，除了iEC4mC-SVM 预测器没有在线预测功能，基本每个研究团队都开发了用户友好的在线预测器，用户可通过表4 所提供的链接直接免费访问在线预测器。

表4 在线预测器访问链接

2 展望

最近几年，DNA 4mC 修饰位点预测方面已做了大量的研究工作，并取得了相当不错的成绩，但是仍然存在一些局限性，主要体现在以下几个方面。首先，用于模型构建的训练样本没有更新，大多数预测器仍然是基于首套数据而构建。其次，所采用的分类算法大体还是以传统分类算法SVM为主，只有4mCCNN采用了深度学习中的卷积神经网络CNN。再者，从预测结果上看，预测结果还有一定的提升空间。未来这方面的工作可围绕着这些问题开展，扩大数据集规模，增加物种数量，创建新的特征表示方法，利用深度学习算法进一步提高4mC 位点预测精度，以更好地理解4mC 位点的功能机制。