ICLRJun, 2018

基于图像表示的卷积神经网络用于 DNA 分类

PDF
TL;DR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。
dna foldingchromatin structureconvolutional neural networkinteraction detectionprediction accuracy
发现论文，激发创造
  • 卷积深度网络用于蛋白质折叠质量评估

    本研究基于深度学习技术开发神经网络进行蛋白结构评分预测，仅使用三维原子密度数据，无需预定义的结构特征，并在 CASP7 到 CASP10 数据集上进行训练，测试结果表明该网络在多种蛋白质结构上具有良好的性能表现。

    Jan, 2018

  • Kirigami：大型卷积核提高基于深度学习的 RNA 二级结构预测

    我们引入了一种新颖的全卷积神经网络 (FCN) 结构，用于预测核糖核酸 (RNA) 分子的二级结构。通过将 RNA 结构解释为加权图，我们利用深度学习来估计核苷酸残基之间的配对概率。与我们的模型独特的是其拥有的大型 11-pixel 卷积核，我们认为在 RNA 二级结构领域上，这为 FCN 带来了明显的优势。在由 1,305 种分子组成的广泛采用的标准测试集上，我们的方法的准确率超过了当前最先进的二级结构预测软件，整体结构的 Matthews 相关系数 (MCC) 比其他主要方法高出 11-40%，而特别是拟结对结构，高出 58-400%。

    Jun, 2024

  • 基因卷积神经网络

    本文讨论深度卷积神经网络的自动学习，使用遗传算法提高识别准确性，并在两个小型数据集上证明其有效性，并将结构传输到大型数据集上。

    Mar, 2017

  • 使用多尺度深度卷积神经网络和下一步条件进行蛋白质二级结构预测

    本研究通过深度学习技术，使卷积神经网络适应蛋白二级结构预测问题，达到了 70％的准确度，并尝试使用序列到序列学习和集合策略进一步提高精确度。

    Nov, 2016

  • 扩张卷积用于建模长距离基因组依赖关系

    本文利用扩张卷积神经网络模型长距离相互作用，有效地检测人类基因组中的调控元素

    Oct, 2017

  • 基于下一步条件的深度卷积神经网络改进蛋白质二级结构预测

    本文研究了如何应用深度学习技术，创建一种新的卷积神经网络结构，用于蛋白质序列的次级结构预测，并在 CB513 基准数据集上达到了 71.4％Q8 准确率。

    Feb, 2017

  • 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

  • 一种用遗传编程设计卷积神经网络体系结构的方法

    本文介绍了一种使用 Cartesian 遗传编程自动构建卷积神经网络结构的方法，并通过将其应用于 CIFAR-10 数据集的图像分类任务验证了该方法的有效性。

    Apr, 2017

  • 蛋白二级结构预测的串联卷积和循环神经网络

    本文提出了一个基于深度神经网络的端到端模型，通过集成局部和全局环境特征来预测蛋白质二级结构，并结合多任务学习同时预测二级结构标签和氨基酸溶剂可及性，取得了 69.7% 到 73.1% 的 Q8 准确率。

    Apr, 2016

  • MUST-CNN: 基于序列的蛋白质结构预测的多层移动和拼接的深度卷积架构

    该研究提出了一种基于深度学习技术的卷积神经网络结构 (MUST-CNN)，使用 Multilayer Shift-and-Stitch (MUST) 技术和高效卷积操作，可以更好地预测蛋白质属性，结果优于以往的研究成果。

    May, 2016