GENEOnet: 基于群等变非扩张算子的新型机器学习范例。应用于蛋白质口袋检测

Jan, 2022

GENEOnet: 基于群等变非扩张算子的新型机器学习范例。应用于蛋白质口袋检测

GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection

PDF

Giovanni Bocchi, Patrizio Frosini, Alessandra Micheletti, Alessandro Pedretti, Carmen Gratteri...

TL;DR该研究介绍了一种基于等变群的非扩张算子的计算新范式，称为 GENEOnet，可以用于解释机器学习和药物设计中的问题，其结果表明 GENEOnet 在准确性方面具有优异性能。

Abstract

Nowadays there is a big spotlight cast on the development of techniques of explainable machine learning. Here we introduce a new computational paradigm based on group equivariant non-expansive operators, that can

explainable machine learning group equivariant non-expansive operators information-processing observers drug design protein pockets

发现论文，激发创造

通过 GENEO 和排列物的一种新的图区分方法

研究使用组等变非扩张算子（GENEOs）来区分同构的 $r$- 正则图，以测试这些算子的能力和灵活性，在计算效率和成本之间取得了良好的平衡，并且它们对数据的操作容易解释，支持 GENEOs 作为给定有关数据和观察者的结构信息时用于机器学习中的判别问题的通用方法。

Jun, 2024

基于自然启发计算的癌症筛查集成方法的全面利用

准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习（EODE）的框架，用于改进基因表达数据的癌症分类的集成学习。实验证明，EODE 相对于单独和传统聚合模型，在 35 个基因表达基准数据集上获得了显著提高的筛选准确性。此研究为使用基因表达生物标志物进行强大而广义的集成学习提供了有效的框架。

Apr, 2024

深度学习与数据分析中的部分等变性拓扑模型

本文提出了一种拓扑模型来编码神经网络中的部分等变性。为此，我们引入了一类名为 P-GENEOs 的操作符，它以一种非扩展的方式改变通过测量表达的数据，尊重某些变换集合的作用。如果作用的变换集合是一个群，我们得到了所谓的 GENEOs。我们研究了测量空间，其定义域受到某些自映射的作用，以及连接这些空间之间的 P-GENEOs 空间。我们定义了伪度量，并展示了所得空间的一些性质。特别地，我们展示了这些空间具有便利的逼近和凸性质。

Aug, 2023

Learngene: 从开放世界走向你的学习任务

提出了一种实用的集体 - 个体范式，该范式在序列任务上训练一个进化（可扩展）网络，并且通过从集体模型中发现 learngene，重建轻量级个体模型，经过实验研究和理论分析证明，本文的方法在实现 few-shot learning 场景中取得了很好的效果

Jun, 2021

基因表达数据中检测基因间相互作用的并行层深度学习网络

利用已知基因表达和基因交互数据，本文提出了一个专门设计用于基因之间关系鉴定的并行层次深度学习网络 GENER，并通过与现有统计和深度学习方法的性能比较表明，在预测基因之间的相互作用方面优于竞争方法。

Oct, 2023

使用轻量级等变图神经网络准确预测突变效应

通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。

Apr, 2023

OntoProtein: 基因本体嵌入的蛋白质预训练

OntoProtein 是第一个将 GO 结构应用于蛋白质预训练的通用框架，通过与知识图谱和蛋白质嵌入的联合优化，能够优化蛋白质表示并在蛋白质相互作用和蛋白质功能预测方面实现更好的性能。

Jan, 2022

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

基因 - 多功能离散门控框架的全癌基因组分析

本文提出了一种名为 Gene-MOE 的新型预训练模型，通过深度学习方法在 Pan-Cancer 数据库中分析基因组信息，以了解与癌症相关的因素，并有助于癌症的诊断和预后。实验结果表明，Gene-MOE 模型在癌症分类和生存分析中表现优于现有的模型，具有学习高维基因的丰富特征表示的能力。

Nov, 2023

利用机器学习辅助的组合库定向蛋白质进化

通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

Feb, 2019