Apr, 2023

具有可保证灵活性的生物序列核函数

PDF
TL;DR应用机器学习于生物序列 ——DNA、RNA 和蛋白质 —— 具有巨大的潜力推进人类的健康、环境可持续性和基础生物学的理解。因此，本研究旨在探讨这一问题领域中的挑战并提供修改现有基于核的机器学习方法以确保其准确性和可靠性的简单有效的方式。
machine learningbiological sequenceskernelssequence spacefunction approximation
发现论文，激发创造
  • BioSequence2Vec: 生物序列嵌入生成的高效算法

    本文提出了一种基于随机投影的低维嵌入方法，可以快速高效地计算不同形式的生物序列，从而避免了核方法的计算时间、内存使用和泛化性挑战。该方法的预测性能在多种真实分类任务中优于若干最先进的嵌入和核方法

    Apr, 2023

  • 高效近似内核基于尖峰序列分类

    利用敏化和信息增益的方式改善了近似核在分类冠状病毒 (SARS-CoV-2) 突刺蛋白序列变异的性能，与基线和现有的健康医疗领域方法相比，我们的方法在两个数据集上都表现出更好的性能。

    Sep, 2022

  • 用于顺序数据的核函数

    该论文提出了一种基于 signature 特征的核学习框架，旨在处理任何类型的序列化数据，如时间序列、图形序列或字符串。该方法可将任何静态核转换为 “序列化” 版本，并且能够高效计算离散序列的顺序核，并在采样意义下逼近连续动量形式，是处理时间序列等序列化数据的一种有前途的方法。

    Jan, 2016

  • 基于字符串核的序列分类的高效近似算法

    本文中，我们提出了一种新的技术，能够高效准确地估计序列之间的相似度得分，从而增加了序列分类方法在音频、图像和文本序列中的应用广度，并且取得了良好的理论和实验表现。

    Dec, 2017

  • 图内核：现状与未来挑战

    该论文综述了现有的图内核方法，包括其应用、软件和数据资源，以及现阶段最先进的图内核进行的实证比较，以解决图形相似度评估问题，进而在分类和回归模型中进行预测。

    Nov, 2020

  • 循环核网络

    本文探讨了 RNN 与 Substring kernel 之间的联系，并将卷积核网络与序列间的间隙相关联，推出了一种新的用于蛋白质分类的递归神经网络，允许端到端的训练，实验结果表明与现有方法相比，我们的方法更加适用于生物序列。

    Jun, 2019

  • 从序列和图内核中导出神经网络结构

    通过基于序列和图等组合结构的核来获得适当的神经操作，引入了一类深度循环神经操作并形式化表征其关联的核空间；在语言建模和分子图回归等标准应用程序上进行了实证评估，取得了这些应用程序的最新成果。

    May, 2017

  • 多组学数据集成的监督多核学习方法

    多核学习是一种在生物学和生物信息学中用于多组学输入的灵活、有效的方法，并且可以与深度学习架构相竞争，为异构数据集成方法提供了进一步发展和生物数据挖掘研究的方向。

    Mar, 2024

  • 具有循环结构的可伸缩深度核学习

    提出了 GP-LSTM 模型，利用可闭合表达式内核，在保留高斯过程非参数概率优势的同时，完全包含了 LSTM 递归神经网络的归纳偏置，能够很好地用于处理序列数据，提升了自动驾驶等领域的预测准确性。

    Oct, 2016

  • 生物序列优化算法的闭合形式测试函数

    在生物物理序列优化方面，提出了一种新的封闭测试函数类 (Ehrlich 函数) 以及相似几何性质，通过实证结果证明这些函数是有趣的研究对象且使用标准的遗传优化基准方法解决它们是非平凡的。

    Jun, 2024