Mar, 2016

deepTarget: 一种基于深度循环神经网络的 microRNA 靶点预测端到端学习框架

PDF
TL;DR本文提出一种基于深度递归神经网络的自编码及序列交互学习，利用端到端的机器学习框架进行 miRNA 靶向预测，不仅准确性高，而且消除了手动特征提取的需求，该方法相比于现有的替代方案更为优秀，并取得了 miRNA 靶向预测领域巨大的进步。
mirnasgene regulationmachine learningdeep recurrent neural networkstarget prediction
发现论文，激发创造
  • deepMiRGene: 基于深度神经网络的 miRNA 前体序列预测

    通过深度学习，本文提出了一种新的 miRNA 前体预测算法，deepMiRGene，该算法采用循环神经网络，具有自动学习数据特征的优点，并在三个基准数据集中表现出与当前最优工具相当的性能。

    Apr, 2016

  • 基于变分自编码器的前体微小 RNA 的描述生成

    基于变分自动编码器的生成建模方法应用于微小 RNA 的分类，取得了较高的重建和分类效果，并生成了准确的微小 RNA 描述。

    Nov, 2023

  • 学习设计 RNA

    提出了一种基于深度强化学习的 RNA 序列设计算法 ——LEARNA 和扩展版本 Meta-LEARNA。经实验证明，该方法在 RNA 设计方面具有新的最先进性能，且速度显著提高，同时具有较好的计算效率和普适性。

    Dec, 2018

  • CRISPR：集成模型

    该论文提出了一种新的合奏学习方法来设计单导 RNA，该方法能够准确且具有一般性地预测 CRISPR 的靶向有效性和离靶敏感性，从而改善对不同基因和细胞数据集的泛化能力。通过在一个基准数据集上进行评估，发现该方法在准确性和泛化能力方面优于现有方法，并且可以用于设计具有高灵敏度和特异性的单导 RNA，甚至对于新基因或细胞，这对于临床使用 CRISPR 技术提供了重要的启示，因为它使研究人员能够设计更有效和更安全的治疗方法来对抗各种疾病。

    Mar, 2024

  • 使用基于 Transformer 的深度学习模型来进行 RNA 二级结构预测

    讨论了 RNA 和 RNA 的二级结构及其预测的基本概念，以及机器学习技术在预测生物大分子结构中的应用，并提出了基于 ResNet 的 RNA 三级结构预测算法和打分模型。

    Apr, 2024

  • 机器学习建模研究 SiRNA 结构 - 效能关系在抗击 Sars-Cov-2 刺突基因中的应用

    开发基于化学信息学表示的 siRNA 的机器学习模型以预测其效力，并选择最有效的 siRNA 分子进行进一步的发展，证明了 AI / 机器学习模型在加速 siRNA 基于药物发现方面的潜力。

    Jan, 2024

  • 用 RNA 对比学习改进您的预测

    通过对功能相似的基因组序列进行对比性学习，本研究提出了一种学习 RNA isoform 的通用表示方法，并在 RNA 半衰期和平均核糖体负载预测等下游任务上证实了其实用性。

    Oct, 2023

  • DeepCancer：基于深度生成式学习通过基因表达检测癌症

    该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。

    Dec, 2016

  • SentRNA: 在计算 RNA 设计中，通过融入人类设计策略的先验知识进行改进

    通过将人类设计策略与机器学习相融合，我们提出了一种名为 SentRNA 的新型 RNA 设计算法，该算法使用全连接神经网络进行端到端训练，可以解决以前无法通过任何基于机器的方法解决的复杂问题，并在两个具有挑战性的测试集上实现了最新技术水平的性能。

    Mar, 2018

  • DeepHEN: 高效预测必需的长链非编码 RNA 基因并重新思考长链非编码 RNA 基因的重要性

    通过建立一个新的 lncRNA - 蛋白质 - 蛋白质网络，并利用表示学习和图神经网络的方法，我们成功构建了 DeepHEN 模型，能够预测 lncRNA 基因的重要性，同时解决了其它方法由于基本 lncRNA 基因数量较少导致的过拟合问题。

    Sep, 2023