Jul, 2016

DeepChrome：基于深度学习的组蛋白修饰预测基因表达

PDF
TL;DR该研究开发了一种名为 DeepChrome 的深度卷积神经网络的系统，该系统可以将组蛋白修饰数据作为输入，从而自动提取重要功能之间的复杂相互作用，以实现基因表达的分类。这一系统不仅超越了现有技术，还发展了一种基于优化的新颖技术以从深度模型中生成特征模式图，提供了下调基因表达的直观描述。
histone modificationsgene regulationepigeneticsdeep learningcombinatorial effects
发现论文，激发创造
  • 出席并预测：关于染色质上选择性注意力的基因调控理解

    本文介绍了一种基于深度学习的 AttentiveChrome 方法，用于对基因调控中的染色质因子进行依赖建模和预测，同时对 56 个不同的人类细胞类型进行评估，并提供更好的解释性能力。

    Aug, 2017

  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 2023

  • 预测 3D 基因组结构的机器学习和深度学习方法

    通过机器学习方法，基于基因组注释数据、DNA 测序信息和其他基因组特性，预测三种 3D 互作（增强子 - 启动子互作、染色质互作和 TAD 边界），并分析其优缺点以及未来研究的方向。

    Mar, 2024

  • Deep Motif: 基因组序列分类可视化

    本文利用深层卷积 / MLP 框架对基因组序列进行分类，在优化驱动策略的指导下提取 “motifs” 以可视化网络学习的正向分类。实验证明，本文提出的 Deep Motif（DeMo）提取的 motifs 类似于并在某些情况下优于当前已知的 motifs；此外，本文还发现由多个卷积和 highway 层组成的深度模型可以胜过以前最先进的单个卷积和全连接层。

    May, 2016

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024

  • 基于图像表示的卷积神经网络用于 DNA 分类

    本文提出了一种卷积神经网络，将 DNA 序列的图像表征作为输入，并预测染色质结构的关键决定因素，能够检测 DNA 序列中远程元素之间的相互作用，实验证明该方法在预测准确性和训练时间方面优于多种现有方法。

    Jun, 2018

  • 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

  • 集成深度学习与合成生物学：通过 N - 末端编码序列增强基因表达的共设计方法

    利用深度学习与合成生物学协同设计的少样本训练工作流程，为 NCS 优化引入了一种新方法，通过 k 最近邻编码和 word2vec 对 NCS 进行编码，利用注意机制进行特征提取，构建时间序列网络预测基因表达强度，并通过直接搜索算法在有限训练数据中确定最佳 NCS。对 Bacillus subtilis 表达的绿色荧光蛋白进行测试，结果显示该方法生成的 NCS（MLD62）能使 GFP 的平均表达量增加 5.41 倍，优于当前最先进的 NCS 设计。通过进一步实验，我们还证明了工程化的 NCS（MLD62）能够有效提高 N - 乙酰神经氨酸酸的产量，并提升关键限速基因 GNA1 的表达，证明了其实际的实用性。我们已经开源了 NCS 表达数据库和实验流程供公众使用。

    Feb, 2024

  • 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达

    通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

    Jun, 2024

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布，并验证了该方法在乳腺癌中的可行性，为描述肿瘤内异质性提供了可扩展性的方法。

    Sep, 2020