出席并预测:关于染色质上选择性注意力的基因调控理解
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。
Jul, 2016
用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态,准确率达 92%,并发现了与预测相关的重要细胞类型和基因。同时,该方法为单细胞数据推断一个新的特征空间,并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入,这是首次将图注意力和深度学习应用于预测单细胞数据的疾病状态。
Feb, 2020
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
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
使用基于 Zadeh 计算的新方法,可以针对存在大量不确定性的时间基因表达数据有效地识别出吸引子,这种方法不仅基于模糊逻辑和语言描述,而且容易被人类专家理解,因此可被视为向可解释人工智能迈出的一 [有效] 步骤。
Mar, 2024
本文提出了一种利用深度学习技术中的循环记忆 - 关注模块来实现图像多标签分类识别的新方法。通过不使用候选区域提取方法,从卷积特征图中定位注意区域,并使用 LSTM 子网络对这些区域进行语义标记和全局依赖性的序列预测。试验表明该方法在识别准确率和效率上均优于现有技术。
Nov, 2017
本文研究了神经代码模型在代码理解中的应用,提出通过注意力权重对模型进行后处理以支持代码探索,并通过基于眼动追踪的实验比较了几种注意力后处理方法和启发式算法。
Oct, 2022
机器学习在药物开发过程中被广泛应用,然而药物响应预测中的模型解释性是一个重要挑战,本研究通过构建异质图来设计了一种名为 drGAT 的图深度学习模型,用于药物敏感性预测和药物机制的解释,该模型在预测药物敏感性方面表现出优越性能,也能用于寻找与癌症患者治疗相关的生物标志物。
May, 2024
利用转录组数据进行预训练的转移学习方法,通过基因扰动的转录响应,最小化给定初始和目标转录状态之间的差异,成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型,研究揭示了基因调控网络对表型的管理方式。
Mar, 2024