Oct, 2023

计算生物学中的深度学习：进展、挑战与未来展望

PDF
TL;DR深度学习在计算生物学中的历史、优势、挑战，以及应用于 DNA 序列分类、蛋白质结构预测等方面的前景进行了综述，强调了需要解决大规模标记数据集和深度学习模型可解释性等挑战以充分发挥其潜力，对于检测基因组变异、分析基因表达等方面带来了重要的转变，同时在表观遗传学数据分析和蛋白质结构预测方面也取得了显著进展，展望了深度学习在计算生物学中的未来前景。
发现论文，激发创造
  • 生物信息学中的深度学习

    本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

    Mar, 2016

  • 深度学习方法开发在计算生物学中的机遇

    分子技术的进展推动了与生物学和生物医学相关的数据集的巨大增长。这些进展与机器学习中的深度学习子领域相似。可微分编程工具箱中的组件使深度学习成为可能，使计算机科学家能够用灵活和有效的工具解决越来越多的问题。然而，这些工具中许多尚未充分应用于计算生物学和生物信息学领域。在这个观点中，我们对其中一些进展进行了调查，并强调它们在生命科学中的应用，以增加从业人员对将专业知识与新兴的深度学习架构工具相结合的新机遇的认识。

    Jun, 2024

  • 蛋白结构建模与设计中的深度学习

    该综述总结了近年来将深度学习技术应用于蛋白质结构建模及设计问题的最新进展，讨论了已经出现和需解决的挑战，针对该领域提出了许多有益的见解。

    Jul, 2020

  • 计算化学中的深度学习

    本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

    Jan, 2017

  • 蛋白质功能预测的深度学习技术综述

    本篇论文综述了近年来利用深度学习方法在蛋白质功能预测任务领域取得的良好表现，并介绍了现代最先进的深度学习模型对计算机视觉、自然语言处理和多模态学习等领域的重大贡献。同时，文章提出自动化蛋白质功能预测任务的重要性，并希望能够鼓励更多的研究者进行相关领域的探索。

    Oct, 2022

  • 深度学习神经网络在蛋白质计算设计中的应用

    本文探究将深度学习神经网络应用于蛋白质设计，以预测蛋白质中每个残基上 20 种天然氨基酸的几率，并且以网络输出为残基类型约束，顺利提高 Rosetta 工具设计三种天然蛋白质的平均序列一致性，同时相比早期方法，本研究以多层神经网络构建的方法在序列一致性方面提高了约 3% 的准确率，这些结果将推动计算蛋白质设计方法的进一步发展。

    Jan, 2018

  • 建模蛋白质 - 蛋白质相互作用的深度学习方法生态系统的发展

    综述介绍了利用深度学习模型分析蛋白质相互作用的多样性方法，包括基于生物物理学知识的模型、表示学习、几何深度学习和生成模型，并指出了面临的挑战和新的研究方向。

    Oct, 2023

  • 单细胞分析中的深度学习

    本文全面调研并综述了深度学习在单细胞分析中的应用现状及其在多个单细胞分析任务中的表现和优势，提供单细胞分析研究者和计算机科学家合作的参考。

    Oct, 2022

  • 分析生物和人工神经网络：挑战与协同机会？

    该研究综述了计算神经科学家开发的数据分析概念和技术如何有助于分析深度神经网络（DNN）中的表示，并探讨了近期发展的 DNN 分析技术如何有助于理解生物神经网络中的表示，为神经科学和机器学习领域提供了协同机会，例如使用 DNN 作为神经科学的模型系统，并探讨了这种协同怎样能够产生有关生物神经网络操作原理的新假设。

    Oct, 2018

  • 计算细胞学的深度学习：一项调查

    本文调查了 120 多篇基于深度学习的细胞学图像分析研究，介绍了全监督、弱监督、无监督和迁移学习等深度学习方法，并系统总结了公共数据集、评估指标、分类、检测等多种深度学习应用，探讨了细胞学计算的挑战和未来研究方向。

    Feb, 2022