機器學習
機器學習
在納米孔研究中，「機器學習」指的是從原始電信號、鹼基讀取數據、比對結果以及質量控制數據中學習模式的計算方法。這種方法非常重要，因為納米孔實驗的測量過程耗時較長、數據噪聲較大、結果受實驗環境的影響較大，並且通常需要實時進行處理。
為什麼這很重要
納米孔設備通過測量離子電流或相關信號的變化來檢測分子通過納米孔時的行為或與納米孔的相互作用。同一種分子在不同條件下（如納米孔的化學性質、驅動馬達的速度、溫度、樣品製備方式、電子設備的使用情況以及周圍環境的化學成分等）可能會產生不同的信號特徵。機器學習技術有助於將這些可變的信號與生物學或化學解釋結果建立聯繫。
主要用途包括：
- Basecalling——將原始信號轉化為DNA或RNA序列的過程。
- 「Modified-base detection」——直接從信號中識別甲基化及其他核苷酸修飾。
- 信號分割——用於檢測事件、停滯、適配器、孔洞以及讀取邊界。
- 質量控制——預測材料的可讀性、孔隙結構健康狀況、污染程度以及運行性能。
- 自適應採樣——實時決定是否繼續對分子進行測序。
- 變體分析與共識分析——結合長讀長序列數據與基於模型的錯誤分析方法。
代表性任務
| 任務！！典型輸入！！示例輸出！！為什麼這很困難 | |||
|---|---|---|---|
| 鹼基調用（Basecalling）
- 原始信號（Raw signal） 或 POD5/FAST5信號（POD5/FAST5 signal） - 帶有質量分數的FASTQ數據（FASTQ reads with quality scores） - 信號強度會變化（Signal speed varies），且相鄰的鹼基會影響當前的信號水平（Neighboring bases affect current levels）。 | |||
| 修改鹼基檢測 | 信號與參考序列的對齊 | 5mC、5hmC、m6A等修飾類型 | 被修飾的鹼基與未被修飾的鹼基在信號強度上可能存在細微的、依賴於具體上下文的差異。 |
| 自適應採樣 | 流式信號或早期鹼基調用序列 | 對分子的接受/拒絕決策 | 該決策必須足夠迅速，以便在測序過程中及時採取行動。 |
| 事件檢測 | 時間序列當前軌跡 | 候選分子的遷移或結合事件 | 噪聲、漂移、孔隙變化以及短暫事件都可能掩蓋真實的邊界。 |
| 運行監控 | 序列分析摘要、讀取長度、孔隙狀態、質量指標 | 警報和質量總結 | 指標會隨時間變化，並因協議的不同而有所差異。 |
值得注意的例子
- DeepNano 使用循環神經網絡（Recurrent Neural Networks）對開源的 MinION 測序數據進行了初步的鹼基識別（basecalling）處理，並展示了通過訓練得到的模型如何能夠減少納米孔測序中的讀錯率（read errors）。
- MinCall 研究了基於端到端卷積神經網絡的鹼基識別技術，並結合了 CTT（Connectionist Time Tracking）風格的序列建模方法。
- 「Bonito」、「Guppy」和「Dorado」代表了在牛津納米孔（Oxford Nanopore）工作流程中使用的現代神經網絡基礎調用方法（neural-network basecalling methods）。
- 諸如 Heron 和 Osprey 這樣的「動態池化基調用器」（dynamic-pooling basecallers）通過調整神經網絡中的池化行為（pooling behavior），來研究分子在細胞內的移動速度（translocation speed）。
- 諸如 RUBICON 之類的「硬體感知型鹼基識別」（hardware-aware basecalling）項目致力於研究如何提升神經鹼基識別器的運行速度，並降低其對內存的需求。
- 諸如 Nanopolish 風格的信號模型以及更先進的神經網絡方法之類的「改良型工具」（modified-base tools），能夠在不進行亞硫酸氫鹽轉化（bisulfite conversion）的情況下，直接進行甲基化（methylation）或修飾（modification）的分析。
- 自適應採樣工具利用快速的信號或序列分析技術，在實驗過程中富集目標分子或去除不需要的分子。
良好實踐（Good Practice）
機器學習的結果應結合實驗背景進行解讀。在一個特定的孔隙化學性質、試劑盒、生物體、鹼基修飾方式或軟體版本上訓練得到的模型，可能無法完美地應用於其他情況。報告應儘可能明確說明所使用的模型版本、實驗所用化學試劑、訓練或校準數據、參考基因組、閾值以及驗證方法。
常見陷阱
- 將模型輸出視為「真實值」（ground truth），而未對其進行任何獨立的驗證（orthogonal validation）。
- 在沒有對照組的情況下，比較不同孔隙化學性質或不同版本鹼基識別工具（basecaller）的性能。
- 在基於修改後的數據進行分析時，忽略了校準問題、類別不平衡現象以及誤報率（false-positive rates）的影響。
- 僅報告「閱讀級別」的準確性，而忽略共識的準確性或下游任務的準確性。
- 在未記錄軟體版本和參數的情況下使用專有模型名稱。
精選論文和資源
- 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 及相關工具.