DeepM6ASeq的安装及使用方法 – sci666

一、软件下载安装

1．从https://github.com/rreybeyb/DeepM6ASeq网址下载DeepM6ASeq安装包，之后解压安装包。

下面简要描述data，demo_test和result文件夹内容：

• data: 这个文件夹下存储了人，鼠和斑马鱼的训练模型的数据。

• demo_test:

  – test.fa: 这个文件用于测试脚本

  – expected results：

    – predout.tsv: 预测结果文件

    – sal.out: 显著图结果文件

    – sal_heatmap: 可视化显著图

• result:

  – trained_models: 存储人，鼠和斑马鱼训练完成的模型。

  – tomtom: TOMTOM将训练得到的motif与已知motif比对的结果。

  – RSAT: 存储训练得到的motif簇。

2. 安装DeepM6ASeq的依赖包。首先确定自己的python是python 3.x版本的。接下来安装numpy, pytorch以及 scikit_learn。笔者推荐利用miniconda创建虚拟环境安装这些依赖包，下面是笔者安装时利用的命令。

conda create -n py3.7 python=3.7 -y

conda activate py3.7

conda install numpy

conda install pytorch

pip install scikit_learn

pip install Bio

conda install r-ggplot2 -y

conda install r-data.table -y

二、软件使用

1.第一个功能是训练模型。

命令：

python main_train.py -m model_type -pos_fa pos_fa -neg_fa neg_fa -od out_dir

参数：

• -model_type: 这个参数可以指定为cnn 或者 cnn-rnn。

• -pos_fa/neg_fa: 这个参数需要阳性样本/阴性样本的fasta文件，并且要求序列长度不超过101bp。

• -od: 这个参数指定输出文件目录

2. 第二个功能：预测序列是否含有m6A位点。

命令：

python main_test.py -m model_type -infa input_fa -md model_dir -outfn out_fn

参数介绍：

• -model_type: 这个参数可以指定为cnn 或者 cnn-rnn。

• -input_fa: 需要检测样本的fasta文件, 序列长度不超过101bp。

• -model_dir: 模型文件的目录。

• -out_fn: 输出文件名。

3. 第三个功能：画m6A序列显著图

命令：

python saliency_map.py -m model_type -infa input_fa -md model_dir -outfn out_fn

Rscript saliency_heatmap.R saliency_map_out pdf_name

参数介绍：

• -model_type:指定模型类型为cnn 或者 cnn-rnn。

• -input_fa: 需要检测样本的fasta文件, 序列长度不超过101bp。

• -model_dir: 模型文件的目录。

• -out_fn: 输出文件名。

• saliency_map_out：saliency_map.py脚本的输出文件

• pdf_name：保存的图片名称

注意：saliency_map.py脚本用来得到给定序列的显著图，结果的可视化是利用saliency_heatmap.R脚本实现。

4. 结果评估

针对预测结果评估，作者分别给出了哺乳动物，人，鼠和斑马鱼的阈值，分为中等，高，很高这三个等级，分别对应模型特异性为90%，95%，99%。

	Moderate	High	Very high
Mammalian	0.725	0.818	0.929
Human	0.772	0.841	0.92
Mouse	0.724	0.813	0.89
Zebrafish	0.715	0.82	0.9