PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Horlacher, M. ; Wagner, N.* ; Moyon, L. ; Kuret, K.* ; Goedert, N. ; Salvatore, M.* ; Ule, J.* ; Gagneur, J. ; Winther, O.* ; Marsico, A.

Towards in silico CLIP-seq: predicting protein-RNA interaction via sequence-to-signal learning.

Genome Biol. 24:180 (2023)
Verlagsversion DOI PMC
Open Access Gold
Creative Commons Lizenzvertrag
We present RBPNet, a novel deep learning method, which predicts CLIP-seq crosslink count distribution from RNA sequence at single-nucleotide resolution. By training on up to a million regions, RBPNet achieves high generalization on eCLIP, iCLIP and miCLIP assays, outperforming state-of-the-art classifiers. RBPNet performs bias correction by modeling the raw signal as a mixture of the protein-specific and background signal. Through model interrogation via Integrated Gradients, RBPNet identifies predictive sub-sequences that correspond to known and novel binding motifs and enables variant-impact scoring via in silico mutagenesis. Together, RBPNet improves imputation of protein-RNA interactions, as well as mechanistic interpretation of predictions.
Impact Factor
Scopus SNIP
Altmetric
12.300
0.000
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Schlagwörter Clip-seq ; Computational Biology ; Deep Learning ; Protein-rna Interaction; Binding Protein; Sites; Specificities; Discovery; Specify; Motifs
Sprache englisch
Veröffentlichungsjahr 2023
HGF-Berichtsjahr 2023
ISSN (print) / ISBN 1474-760X
e-ISSN 1465-6906
Zeitschrift Genome Biology
Quellenangaben Band: 24, Heft: 1, Seiten: , Artikelnummer: 180 Supplement: ,
Verlag BioMed Central
Verlagsort Campus, 4 Crinan St, London N1 9xw, England
Begutachtungsstatus Peer reviewed
Institut(e) Institute of Computational Biology (ICB)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-503800-001
G-503800-004
Förderungen Wellcome Trust
DOI 10.1186/s13059-023-03015-7
WOS ID 001040900100001
Scopus ID 85166598318
PubMed ID 37542318
Erfassungsdatum 2023-10-06
[➜Korrektur melden]