In land plant mitochondria, C-to-U RNA editing converts cytidines into uridines at highly specific RNA positions called editing sites. This editing step is essential for the correct functioning of mitochondrial proteins. When using sequence homology information, edited positions can be computationally predicted with high precision. However, predictions based on the sequence contexts of such edited positions often result in lower precision, which is limiting further advances on novel genetic engineering techniques for RNA regulation. Here, a deep convolutional neural network called Deepred-Mt is proposed. It predicts C-to-U editing events based on the 40 nucleotides flanking a given cytidine. Unlike existing methods, Deepred-Mt was optimized by using editing extent information, novel strategies of data augmentation, and a large-scale training dataset, constructed with deep RNA sequencing data of 21 plant mitochondrial genomes. In comparison to predictive methods based on sequence homology, Deepred-Mt attains significantly better predictive performance, in terms of average precision as well as F1 score. In addition, our approach is able to recognize well-known sequence motifs linked to RNA editing, and shows that the local RNA structure surrounding editing sites may be a relevant factor regulating their editing. These results demonstrate that Deepred-Mt is an effective tool for predicting C-to-U RNA editing in plant mitochondria. Source code, datasets, and detailed use cases are freely available at https://github.com/aedera/deepredmt.

在陆地植物线粒体中，C-to-U RNA 编辑在称为编辑位点的高度特异性 RNA 位置将胞苷转化为尿苷。这一编辑步骤对于线粒体蛋白的正确功能至关重要。当使用序列同源性信息时，可以高精度地计算预测编辑位置。然而，基于此类编辑位置的序列上下文的预测通常会导致较低的精度，这限制了用于 RNA 调控的新型基因工程技术的进一步发展。在这里，提出了一种称为 Deepred-Mt 的深度卷积神经网络。它根据给定胞苷侧翼的 40 个核苷酸预测 C-to-U 编辑事件。与现有方法不同，Deepred-Mt 通过使用编辑范围信息、数据增强的新策略、以及一个大规模训练数据集，由 21 个植物线粒体基因组的深度 RNA 测序数据构建。与基于序列同源性的预测方法相比，Deepred-Mt 在平均精度和 F1 分数方面获得了显着更好的预测性能。此外，我们的方法能够识别与 RNA 编辑相关的众所周知的序列基序，并表明编辑位点周围的局部 RNA 结构可能是调节其编辑的相关因素。这些结果表明 Deepred-Mt 是预测植物线粒体中 C-to-U RNA 编辑的有效工具。源代码、数据集和详细用例可在 https://github.com/aedera/deepredmt 免费获得。与基于序列同源性的预测方法相比，Deepred-Mt 在平均精度和 F1 分数方面获得了显着更好的预测性能。此外，我们的方法能够识别与 RNA 编辑相关的众所周知的序列基序，并表明编辑位点周围的局部 RNA 结构可能是调节其编辑的相关因素。这些结果表明 Deepred-Mt 是预测植物线粒体中 C-to-U RNA 编辑的有效工具。源代码、数据集和详细用例可在 https://github.com/aedera/deepredmt 免费获得。与基于序列同源性的预测方法相比，Deepred-Mt 在平均精度和 F1 分数方面获得了显着更好的预测性能。此外，我们的方法能够识别与 RNA 编辑相关的众所周知的序列基序，并表明编辑位点周围的局部 RNA 结构可能是调节其编辑的相关因素。这些结果表明 Deepred-Mt 是预测植物线粒体中 C-to-U RNA 编辑的有效工具。源代码、数据集和详细用例可在 https://github.com/aedera/deepredmt 免费获得。并表明编辑位点周围的局部 RNA 结构可能是调节其编辑的相关因素。这些结果表明 Deepred-Mt 是预测植物线粒体中 C-to-U RNA 编辑的有效工具。源代码、数据集和详细用例可在 https://github.com/aedera/deepredmt 免费获得。并表明编辑位点周围的局部 RNA 结构可能是调节其编辑的相关因素。这些结果表明 Deepred-Mt 是预测植物线粒体中 C-to-U RNA 编辑的有效工具。源代码、数据集和详细用例可在 https://github.com/aedera/deepredmt 免费获得。