Jan, 2022

基于图神经网络的双链 DNA 断裂预测

PDF
TL;DR本研究设计了基于图神经网络的 GraphDSB 方法，使用了不同的有效结构编码方法和结构信息来预测双链 DNA 断裂，无高昂成本和技术挑战。在 NHEK 和 K562 数据集上，验证了结构信息对 DSBs 预测的贡献，并通过剥离实验进一步证明了所设计组件在 GraphDSB 框架中的有效性。最后，我们使用 GNNExplainer 来分析节点特征和拓扑对 DSBs 预测的贡献，并证明了 5-mer DNA 序列特征和两种染色质相互作用模式的高贡献性。
发现论文，激发创造
  • 深度 SNP: 基于注意力定位的端到端深度神经网络用于 SNP 阵列基因组数据中的断点检测

    提出了一种名为 Deep SNP 的深度神经网络模型，它基于用于真相集的 SNP 单核苷酸多态性芯片探测数据，用于检测癌症等疾病的复制数变异和基因组突变点。

    Jun, 2018

  • De Bruijn goes Neural：面向动态图上的时间序列数据的因果感知图神经网络

    De Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间 - 拓扑模式可以被有效提取和学习。

    Sep, 2022

  • GDBN：一种动态贝叶斯网络的图神经网络方法

    本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

    Jan, 2023

  • 基于图神经网络的预测颗粒破碎强度的混合框架

    通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。

    Jul, 2023

  • 分子图深度学习预测药物副作用

    本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

    Nov, 2022

  • 双域 DNA 链置换

    本文研究具有顶部链断点的双链 DNA 链置换结构的计算能力，基于一些限制条件研究了基于这些结构的分叉和合并信号处理门，我们表明这些系统适用于形式化和机械验证。

    Jun, 2010

  • 深度基序仪表板：使用深度神经网络可视化和理解基因组序列

    本文提出了一个名为 Deep Motif Dashboard 的工具套件，提供了一系列深度学习网络模型中 DNA 定序信号及转录因子结合位点分类的可视化策略。其中，卷积递归架构在实验结果中表现最佳，其可视化技术指出了 CNN-RNN 模型在建模模式以及其中相互依赖的模体方面的性能。

    Aug, 2016

  • 基于图神经网络和双重门控循环单元的药物靶点结合亲和力预测

    本研究提出一种基于 GraphDTA 的新方法称为 GDGRU-DTA，用于预测药物和靶标之间的结合亲和力，该方法使用 GRU 和 BiGRU 来提取蛋白质序列的特征，并使用两种不同的图卷积方法来处理药物图，最终模型在两个基准数据集上表现出优异的性能。

    Apr, 2022

  • 双层图神经网络用于药物相互作用预测

    提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

    Jun, 2020

  • DPSeq: 基于序列器架构的预测癌症生物标志物的新型高效数字病理分类器

    本研究开发了一种高效的数字病理分类器 DPSeq，通过微调附带水平和垂直双向长短期记忆 (BiLSTM) 网络的测序器结构，预测结肠直肠癌 (CRC) 的癌症生物标志物，在国际数据集 MCO 和 TCGA 上评估了 DPSeq 的预测性能表现优异，并在预测 MSI 状态、BRAF 突变和 CIMP 状态方面超过了 4 个 CNN 和 2 个 transformer 模型。

    May, 2023