Sep, 2023

基因调控神经网络在生物人工智能中的非线性分类器稳定性分析

PDF
TL;DR通过建立基于化学反应的数学模型，将基因调控网络转化为基因调控神经网络（GRNN），进行稳定性分析，并探究参数变化对分类界限的影响，为满足不同应用需求的可编程 GRNN 打下基础。
发现论文，激发创造
  • 生物因素调节神经网络

    本文提出了 BFReg-NN，一个利用基因表达数据建立细胞系统中包含多种生物学知识的生物因子调控神经网络模型，并验证了其在不同基于基因表达数据的任务中相对于基线模型的卓越性能和生物学见解的一致性。

    Apr, 2023

  • 利用物理信息化的神经网络从单细胞数据推断动态基因调控网络

    发展生物学的主要目标之一是揭示基因调控网络（GRNs）以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络（PINNs）推断预测性和动力学的 GRNs 参数，以提供生物过程的机制理解。我们的分析将为今后使用 PINNs 进行实验设计提供参考，并为进一步探索这一强大类神经网络模型提供起点。

    Jan, 2024

  • DiscoGen: 学习发现基因调控网络

    介绍 DiscoGen，这是一种基于神经网络的 GRN 发现方法，它可以去噪基因表达度量并处理干预数据，我们证明了我们的模型优于 SOTA 神经网络基因因果发现方法。

    Apr, 2023

  • 基因调控网络预测中的因果关系发现

    提出一种发现生物系统中潜在图结构的新算法，基于复杂的非线性调节相互作用网络，用图来表示各种核酸、蛋白质和代谢物之间的关系，并使用实验数据对其进行探测。

    Jan, 2023

  • 神经葛兰杰因果关系

    利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

    Feb, 2018

  • TIGRESS: 使用稳定性选择实现基因调控的可信推断

    本文介绍了一种名为 TIGRESS 的基于稳定性选择的基因调控网络推断方法，采用稀疏回归和特征选择技术，结合了一种新颖的评分技术，使得 TIGRESS 能够在基准数据上达到最先进的性能水平。

    May, 2012

  • 一个单细胞基因表达语言模型

    提出了 Exceiver 模型，使用同一自我监督任务来处理单细胞 RNA 表达数据，学习基因之间的上下文依赖关系，并证明该模型具有迁移学习能力。

    Oct, 2022

  • 神经网络的自动实现通过反应网络 -- 第一部分：电路设计和收敛分析

    通过生物化学反应网络 (BCRN) 系统的可编程性，在生物计算领域实现了完全连接的神经网络结构 (FCNN)，并具有潜在的自主活动性。

    Nov, 2023

  • 基因调控网络中的因果推断与 GFlowNet：向大型系统的可扩展性迈进

    通过利用基因的独立性，Swift-DynGFN 框架提升了对基因调控网络（GRNs）中因果结构的学习能力，同时兼顾可扩展性，实验证明其在学习 GRNs 的因果结构和适应大型系统上的效果显著。

    Oct, 2023

  • 高斯过程回归网络

    本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，它结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性，可以适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点，并且提出了该模型的有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程。本文应用 GPRN 提出了多输出回归和多元波动性模型，展示了其在基准数据集上明显优于八个流行的多任务高斯过程模型和三种多元波动性模型的性能，其中包括一个 1000 维基因表达数据集。

    Oct, 2011