ViDa: 利用生物物理学知识的深度图嵌入可视化 DNA 杂交轨迹
ViDa 是一种新方法,用于在二级结构的能量景观上可视化 DNA 反应的折叠轨迹,通过将高维数据映射到二维欧几里德空间,成功区分具有不同折叠机制的轨迹,提供有用的洞察力,并且在 DNA 动力学可视化方面是一种巨大的改进。
Nov, 2023
在多用户虚拟现实环境中,通过严谨的云上物理原子模拟和大众虚拟现实硬件,我们为交互式分子动力学描述了一个框架,该框架让用户能够以原子级精度 “即时” 可视化和尝试复杂分子结构的结构和动态,并与同一虚拟环境中的其他用户进行交互,我们进行了一系列研究以证明其重要性,其中,我们展示了多个分子模拟任务,得出用户在交互式 VR 环境中能够比在传统界面中更快地完成复杂的分子建模任务,特别是对于原先的构象排列有内在三维特性之分子路径和结构过渡。这一框架应该能够加速纳米尺度分子工程领域的进展,例如药物研发,合成生物学和催化剂设计。总的来说,我们的研究发现展示了虚拟现实在科学领域的 3d 动态相关研究和教育上的潜力。
Jan, 2018
DyGETViz 是一个用于可视化动态图 (DGs) 的新框架,它利用了离散时间动态图 (DTDG) 模型的最新进展,灵活处理动态图中固有的时间动态。DyGETViz 能够有效捕捉图中的微观和宏观结构变化,为表示复杂而庞大的动态图提供了一种强大的方法。通过 DyGETViz 的应用,揭示或证实了各种重要的发现,包括在线社区的内容分享模式和专业化程度的多样性、词汇表在几十年间的时间演化以及与衰老相关和非相关基因展示出的不同轨迹。DyGETViz 通过简化动态图的复杂性,提高了科学发现对非专业人士的可访问性。我们的框架作为一个开源 Python 包发布,可用于各个学科领域。我们的工作不仅解决了可视化和分析 DTDG 模型的持续挑战,还为未来在各个学科领域动态图表示和分析的研究奠定了基础。
Jun, 2024
提出了一种可视化框架,用于可视化深度图形生成模型的编码和解码过程中生成的分子,并提供实时分子优化功能,这完善了黑盒子人工智能驱动的药物发现模型的可解释性。
Jul, 2020
本文介绍了一种名为 NeuroDAVIS 的无监督深度神经网络模型,用于高维数据的降维和可视化,该模型在大量合成和真实高维数据集上表现出了竞争力,特别是在保留数据大小、形状和本地全局结构方面。
Apr, 2023
本文利用不同种类的机器学习模型,研究并提高了分子动力学模拟的分辨率,证实双向 LSTM 模型是表现最好的模型,其能够在轨迹插值方面达到 10^-4 埃的精度,从而为更大系统的建立和更好的分子动力学积分器的构建奠定了基础。
Jan, 2022
本研究利用图嵌入模型(即 VGAE)对组织特异性基因基因相互作用网络进行链接预测。经过消融实验,我们证明了多个生物模态(即多组学)的组合会导致更强大的嵌入并提高链接预测性能。我们的结果表明,基因甲基化和 RNA 测序数据的整合显着提高了链接预测性能。总体而言,RNA 测序和基因甲基化数据的组合使得基因基因相互作用网络上的链接预测准确率达到了 71%。本研究通过对多组学数据的图表示学习,为当前有关生物信息学中多组学整合研究带来了新的见解。
Jul, 2021
本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法,能够在保持化学有效性的情况下,通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估,并发现该方法明显优于之前的最先进基准。
Feb, 2018
通过应用最近发展的网络嵌入技术,以压缩系统维度来实现小分子化学空间的高效探索,我们提出了一种数据驱动的方法,通过聚类分子结构的势能景观,获得通过嵌入函数定义的潜在变量。为了提高方法的扩展性,我们还结合了一种基于 Metadynamics 和 Transition Path Theory 的熵敏感的自适应能级采样方案来进行能量景观的分层采样。通过考虑系统能量景观所暗示的动力学信息,在降维中解释动态节点之间的关系。我们通过 Lennard-Jones(LJ)聚簇和人类 DNA 序列展示了该框架。
Jan, 2024