Machine learning/zh

机器学习

Patch-clamp and single-channel electrophysiology concepts are relevant to nanopore measurements. Source: Wikimedia Commons, CC BY-SA 4.0.

在纳米孔研究中，“机器学习”指的是从原始电信号、碱基读取数据、比对结果以及质量控制数据中学习模式的计算方法。这种方法非常重要，因为纳米孔实验的测量过程耗时较长、数据噪声较大、结果受实验环境的影响较大，并且通常需要实时进行处理。

为什么这很重要

纳米孔设备通过测量离子电流或相关信号的变化来检测分子通过纳米孔时的行为或与纳米孔的相互作用。同一种分子在不同条件下（如纳米孔的化学性质、驱动马达的速度、温度、样品制备方式、电子设备的使用情况以及周围环境的化学成分等）可能会产生不同的信号特征。机器学习技术有助于将这些可变的信号与生物学或化学解释结果建立联系。

主要用途包括：

• Basecalling——将原始信号转化为DNA或RNA序列的过程。
• “Modified-base detection”——直接从信号中识别甲基化及其他核苷酸修饰。
• 信号分割——用于检测事件、停滞、适配器、孔洞以及读取边界。
• 质量控制——预测材料的可读性、孔隙结构健康状况、污染程度以及运行性能。
• 自适应采样——实时决定是否继续对分子进行测序。
• 变体分析与共识分析——结合长读长序列数据与基于模型的错误分析方法。

代表性任务

任务！！典型输入！！示例输出！！为什么这很困难
碱基调用（Basecalling） - 原始信号（Raw signal） 或 POD5/FAST5信号（POD5/FAST5 signal） - 带有质量分数的FASTQ数据（FASTQ reads with quality scores） - 信号强度会变化（Signal speed varies），且相邻的碱基会影响当前的信号水平（Neighboring bases affect current levels）。
修改碱基检测	信号与参考序列的对齐	5mC、5hmC、m6A等修饰类型	被修饰的碱基与未被修饰的碱基在信号强度上可能存在细微的、依赖于具体上下文的差异。
自适应采样	流式信号或早期碱基调用序列	对分子的接受/拒绝决策	该决策必须足够迅速，以便在测序过程中及时采取行动。
事件检测	时间序列当前轨迹	候选分子的迁移或结合事件	噪声、漂移、孔隙变化以及短暂事件都可能掩盖真实的边界。
运行监控	序列分析摘要、读取长度、孔隙状态、质量指标	警报和质量总结	指标会随时间变化，并因协议的不同而有所差异。

值得注意的例子

• DeepNano 使用循环神经网络（Recurrent Neural Networks）对开源的 MinION 测序数据进行了初步的碱基识别（basecalling）处理，并展示了通过训练得到的模型如何能够减少纳米孔测序中的读错率（read errors）。
• MinCall 研究了基于端到端卷积神经网络的碱基识别技术，并结合了 CTT（Connectionist Time Tracking）风格的序列建模方法。
• “Bonito”、“Guppy”和“Dorado”代表了在牛津纳米孔（Oxford Nanopore）工作流程中使用的现代神经网络基础调用方法（neural-network basecalling methods）。
• 诸如 Heron 和 Osprey 这样的“动态池化基调用器”（dynamic-pooling basecallers）通过调整神经网络中的池化行为（pooling behavior），来研究分子在细胞内的移动速度（translocation speed）。
• 诸如 RUBICON 之类的“硬件感知型碱基识别”（hardware-aware basecalling）项目致力于研究如何提升神经碱基识别器的运行速度，并降低其对内存的需求。
• 诸如 Nanopolish 风格的信号模型以及更先进的神经网络方法之类的“改良型工具”（modified-base tools），能够在不进行亚硫酸氢盐转化（bisulfite conversion）的情况下，直接进行甲基化（methylation）或修饰（modification）的分析。
• 自适应采样工具利用快速的信号或序列分析技术，在实验过程中富集目标分子或去除不需要的分子。

良好实践（Good Practice）

机器学习的结果应结合实验背景进行解读。在一个特定的孔隙化学性质、试剂盒、生物体、碱基修饰方式或软件版本上训练得到的模型，可能无法完美地应用于其他情况。报告应尽可能明确说明所使用的模型版本、实验所用化学试剂、训练或校准数据、参考基因组、阈值以及验证方法。

常见陷阱

• 将模型输出视为“真实值”（ground truth），而未对其进行任何独立的验证（orthogonal validation）。
• 在没有对照组的情况下，比较不同孔隙化学性质或不同版本碱基识别工具（basecaller）的性能。
• 在基于修改后的数据进行分析时，忽略了校准问题、类别不平衡现象以及误报率（false-positive rates）的影响。
• 仅报告“阅读级别”的准确性，而忽略共识的准确性或下游任务的准确性。
• 在未记录软件版本和参数的情况下使用专有模型名称。

精选论文和资源

• Boza V, Brejova B, Vinar T. DeepNano: Deep Recurrent Neural Networks for Base Calling in MinION Nanopore Reads. 2016.
• Wick RR, Judd LM, Holt KE. Performance of neural network basecalling tools for Oxford Nanopore sequencing. Genome Biology. 2019.
• Miculinic N, Ratkovic M, Sikic M. MinCall: MinION end-to-end convolutional deep learning basecaller. 2019.
• Kovaka S, Fan Y, Ni B, Timp W, Schatz MC. Targeted nanopore sequencing by real-time mapping of raw electrical signal with UNCALLED. Nature Biotechnology. 2021.
• Boza V, Peresini P, Brejova B, Vinar T. Dynamic Pooling Improves Nanopore Base Calling Accuracy. 2021.
• Singh G et al. RUBICON: A Framework for Designing Efficient Deep Learning-Based Genomic Basecallers. 2022.
• Wang Z et al. Adapting nanopore sequencing basecalling models for modification detection via incremental learning and anomaly detection. Nature Communications. 2024.
• Oxford Nanopore Technologies. Dorado Basecaller 及相关工具.

相关页面

• 纳米孔测序（Nanopore sequencing）
• 生物信息学（Bioinformatics）
• 数据分析
• 事件检测
• 噪声与滤波