UNADON:一种基于Transformer的模型,用于预测基因组范围染色体的空间位置
该研究开发了一种名为DeepChrome的深度卷积神经网络的系统,该系统可以将组蛋白修饰数据作为输入,从而自动提取重要功能之间的复杂相互作用,以实现基因表达的分类。这一系统不仅超越了现有技术,还发展了一种基于优化的新颖技术以从深度模型中生成特征模式图,提供了下调基因表达的直观描述。
Jul, 2016
本文介绍了一种基于深度学习的AttentiveChrome方法,用于对基因调控中的染色质因子进行依赖建模和预测,同时对56个不同的人类细胞类型进行评估,并提供更好的解释性能力。
Aug, 2017
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
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
本文介绍一种名为“SpaFormer”的基于transformer模型的细胞水平空间转录组学数据插补方法,通过对细胞进行位置编码和多头自注意机制,利用transformer模型来解决细胞位置信息与长距离空间信息的编码问题,实现了对空间转录组学数据的缺失值插补,且在三个大型数据集上均表现出优于现有算法的效果。
Feb, 2023
通过将组织和检测嵌入到上下文化基因组网络中,我们展示了强相关性可以在广泛的实验条件中实现,同时提供了关于基因变异对表观遗传序列模型训练影响的首次见解。
Aug, 2023
本文提出了一种新的Affine-Consistent Transformer(AC-Former)方法,通过全局和局部子网络的协同训练,直接产生一个核位置序列;同时引入了Adaptive Affine Transformer(AAT)模块,用于自动学习关键的空间变换方法,以提高模型的性能。实验证明,该方法在多个评估数据集上显著优于现有的先进算法。
Oct, 2023
通过机器学习方法,基于基因组注释数据、DNA测序信息和其他基因组特性,预测三种3D互作(增强子-启动子互作、染色质互作和TAD边界),并分析其优缺点以及未来研究的方向。
Mar, 2024
SpaDiT是一种利用扩散生成模型集成scRNA-seq和ST数据以预测未检测到基因的深度学习方法,通过Transformer-based扩散模型准确预测未知基因并有效生成ST基因的空间结构。与八种领先的基准方法相比,SpaDiT在多个指标上实现了最新技术的性能,突出其在生物信息学中的重要贡献。
Jul, 2024
本研究解决了现有单组学模型无法有效建模核苷酸与肽之间相互作用的难题。我们提出并训练了首个多组学核苷酸-肽基础模型(MOM),该模型能够在未标记的生物序列上学习到符合分子生物学中心法则的联合表征,并在肽-核苷酸相互作用任务中取得了最先进的结果,显示出其在生物信息学中的重要应用潜力。
Aug, 2024