NIPSDec, 2017

应用二维嵌入和卷积神经网络进行宏基因组数据深度学习

PDF
TL;DR本文介绍了一种使用卷积神经网络（CNN）进行生物信息学任务的方法，包括将甲基基因组数据映射为有意义的 1D 或 2D 图像，用于预测各种疾病。该方法在六个不同的数据集上应用，包括总共 1000 多个来自多种疾病的样本。
deep learningbioinformaticscnnsmetagenomic datadisease prediction
发现论文，激发创造
  • 系统进化卷积神经网络在宏基因组学中的应用

    引入了一种新的深度学习架构，基于卷积神经网络，使用在系统发生树上定义的祖先距离作为相似度测量来分类元基因组数据，测试表明该算法在分类表现上与传统算法和基线全连接神经网络相比有很好的表现。

    Sep, 2017

  • 密集样本深度学习

    基于对 DL 学习动态的观察，提出了一种基于复杂特征构建的新理论。

    Jul, 2023

  • 基于一次学习的低数据药物研发

    本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

    Nov, 2016

  • 深度学习是一种优秀的隐写分析工具，当不同图像重复使用嵌入密钥时即使存在封面源不匹配的情况下也适用

    本研究探讨了卷积神经网络和全连接神经网络在语音隐写分析中的应用，结果表明相较于传统的 Rich Models（RM）集成分类器（EC）方法，如果 CNN 和 FNN 被很好的参数化，其结果更胜一筹，演示了在 clairvoyant 场景下，CNN 和 FNN 相较于 RM 与 EC 的分类错误率降低 16％以上，并且在封面 - 源不匹配情况下表现自然而强大。

    Nov, 2015

  • 利用卷积神经网络和医疗特征嵌入进行风险预测

    本文探索使用深度神经网络模型以及学习的医疗特征嵌入（medical feature embedding）来处理从纵向电子病历数据中提取实用的临床表现（clinical representations）所面临的高维和时间性问题。作者在利用多层卷积神经网络（CNN）进行参数化时成功捕捉到了 EHR 纵向演变的复杂非线性关系，并在处理 EHR 的本地 / 短期时间依赖性上取得了良好的效果，对于失能心力和糖尿病患者的风险预测表现也优于基线模型。

    Jan, 2017

  • 同调卷积神经网络

    通过在稀疏的表格数据中利用拓扑约束网络表示结构，我们提出了一种新颖的深度学习架构，利用卷积提取空间信息，并通过网络拓扑的有限概念来确保数据导向、可解释性和可扩展性，在 18 个基准数据集上测试表明，我们的方法在这些具有挑战性的数据集上达到了最先进的性能。

    Aug, 2023

  • 元学习代表性嵌入进行皮肤镜图像的少样本分类

    本文旨在提高元学习以用于分类皮肤镜图像，通过使用少样本学习（few-shot learning）和元学习方法，实验结果表明，本文的方法能够显着提高皮肤镜图像的分类性能。

    Oct, 2022

  • 癌症生物信息学深度学习模型的系统评估：癌症数据编码和解释的基本趋势

    对 42 篇研究进行了系统综述，旨在讨论深度学习模型如何支持癌症生物学的推理，并重点关注多组学分析。我们介绍了一种称为生物中心可解释性的概念，并根据其分类方法讨论了在这些模型中整合领域先验知识的表征方法。分析表明，编码先验知识和改进解释性之间存在趋同性，这是深度学习模型形式化生物解释性和发展不那么特定于问题或应用的方法的重要一步。

    Jul, 2022

  • 生物信息学中的深度学习

    本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

    Mar, 2016

  • 基于图结构数据的深度卷积网络

    本文介绍了一种将谱网络与图估计过程相结合的方法，用于构建小学习复杂度和处理没有强规律的领域的深层神经网络，并在大规模分类问题中测试并达到更好的性能。

    Jun, 2015