On the prediction of mRNA subcellular localization with machine learning

Cells are the basic units of life, and yet they are regulated by many delicate and to some extent, fragile, subcellular processes that are crucial to their survival. A simple genetic mutation could possibly clog up some important regulatory processes, or perturb the function of the product it encodes, which might ultimately bring the demise of the entire system. Therefore, it is important to gain more insights into the many control processes of cell and the regulatory factors associated with them, one prominent example of which would be the mechanism related to the RNA subcellular localization that we would focus on almost exclusively in this study from a computational perspective.RNA subcellular localization mechanism is one of the most important, yet under-appreciated, facets of the broader gene regulatory process, which helps with the cellular organization and regulation on gene expression, via transporting the RNA transcripts to their designated locations where their function, structure or translated proteins are needed. It is generally accepted as a fact that RNA trafficking mechanism is mediated between the trans-regulatory factors such as the RNA binding proteins, and the cis-acting elements — short snippets of the transcript that contain the RBP binding sites — which we call zipcode as they are considered to contain information on its address of delivery.The release of new RNA subcellular localization dataset has enabled us to build the first computational tool using state-of-the-art deep learning techniques, to predict the localization outcome for the protein-coding RNA from mere transcript sequence, and subsequently to identify the zipcode elements thereof. Our proposed method has achieved good accuracy compared to the baseline methods based on the k-mers features, despite the intrinsic difficulty that arise from the complex and stochastic interactions during trafficking events, as well as the limitations imposed by the available dataset.Les cellules sont les unités de base de la vie, et pourtant, elles sont régies par de nombreux processus subcellulaires délicats et, dans une certaine mesure, fragiles, qui sont essentiels à leur survie. Une simple mutation génétique pourrait éventuellement obstruer des processus de régulation importants ou perturber le fonctionnement du produit qu’elle encode, ce qui pourrait éventuellement entraîner la disparition de l’ensemble du système. Par conséquent, il est important de mieux comprendre les nombreux processus de contrôle de la cellule et les facteurs de régulation qui leur sont associés, un exemple frappant étant le mécanisme lié à la localisation sous-cellulaire de l'ARN sur lequel nous nous concentrerons presque exclusivement dans cette étude à partir de une perspective de calcul.Le mécanisme de localisation sous-cellulaire de l'ARN est l'une des facettes les plus importantes, mais sous-estimée, du processus plus général de régulation des gènes, qui facilite l'organisation cellulaire et la régulation de l'expression des gènes, via le transport des transcrits d'ARN vers leurs emplacements désignés, où leur fonction, leur structure ou des protéines traduites sont nécessaires. Il est généralement admis que le mécanisme du trafic d'ARN est régulé par des facteurs de régulation trans, tels que les protéines de liaison à l'ARN, et les éléments agissant en cis, des extraits courts du transcrit qui contiennent les sites de liaison à la RBP, qui nous appelons zipcode car ils sont censés contenir des informations sur son adresse de livraison.La publication d'un nouvel ensemble de données de localisation subcellulaire des ARN nous a permis de créer le premier outil de calcul utilisant des techniques d’apprentissage approfondi de pointe, afin de prédire le résultat de la localisation de l’ARN codant pour une protéine à partir d’une simple séquence de transcription, puis d’identifier le éléments de zipcode de ceux-ci. Notre méthode proposée a obtenu une bonne précision par rapport aux méthodes de base basées sur les caractéristiques de k-mers, malgré la difficulté intrinsèque résultant des interactions complexes et stochastiques lors d'événements de gestion de trafic, ainsi que des limitations imposées par l'ensemble de données disponibles