【让你五行代码发一篇文章】如何把DNA序列编码成深度学习的向量化输入——GP-GCN框架教程

背景

现在越来越多的工作利用深度学习来实现DNA序列的分类或者回归任务，但是如何把DNA序列编码成深度学习的向量化输入？换句话说，怎么把由A,C,G,T组成的DNA“字符串”转化成深度学习需要的向量（矩阵）格式？

目前常用的方法有one-hot encoding和$k$-mer frequency vector。One-hot encoding是把A表示成[1,0,0,0], C表示成[0,1,0,0],G表示成[0,0,1,0],T表示成[0,0,0,1],这样一条长度为$L$的DNA序列可以转成$4\ast L$的矩阵，但多数情况下参与训练的DNA序列长度都不一样，然而深度学习模型要求输入的矩阵大小一致，这时候如果长度差别不是很大，可以用cutting & padding的方法；如果长度差别很大，one-hot encoding就不太适合了。这时候可以采用$k$-mer frequency vector来表示DNA序列，也就是把这条序列中所有的$k$-mer的出现频率或者次数提取出来，组成一个向量作为输入，这种方法的很显然会丢失很多序列的信息，比如$k$-mer之间的interaction。

这里要介绍的GP-GCN framework[1]就是为了解决这些问题。[1]这篇文章主要是拿病毒的序列作为例子来验证这个框架，实际上这个框架可以用于任何DNA序列。

GP-GCN framework原理

如果对原理不感兴趣，可以跳过这部分直接看软件教程哦~

1. sequence to graph
   对于一条DNA序列$s$,我们都可以把它转化成一个graph。graph的点对应$k$-mer，边对应