Mar, 2024

G4 - 注意力：用于预测 DNA G - 四链体的深度学习模型

PDF
TL;DR提出了一种新颖的卷积神经网络与 Bi-LSTM 和注意力层相结合的模型 G4-attention，以提高 G4 形成序列的预测准确性，同时在高度类别不平衡的数据集中准确地预测了 G4 区域，该模型不仅可以用于人类基因组数据集，还可以应用于任何非人类基因组的 DNA 序列来预测 G4 的形成倾向。
g-quadruplexesbioinformatic algorithmssequencing techniquesmachine learning approachesconvolutional neural network
发现论文，激发创造
  • 可扩展的深度学习用于 RNA 次级结构预测

    基于轴向注意力和潜变量空间循环利用的 RNAformer 模型在 RNA 二级结构预测领域取得了突破性进展，超越了使用外部信息的方法，在 TS0 基准数据集上实现了最先进的性能，并实验证明 RNAformer 能够学习到 RNA 折叠过程的生物物理模型。

    Jul, 2023

  • 人类基因核苷酸序列的生成式语言模型

    开发类似 GPT-3 的自回归生成语言模型用于 DNA 序列，研究了 RNNs 和 N-grams 在处理人类基因中的核苷酸序列时的表现以及选择具有最小词汇量的语言对数据需求的影响。

    Jul, 2023

  • 基于图像表示的卷积神经网络用于 DNA 分类

    本文提出了一种卷积神经网络，将 DNA 序列的图像表征作为输入，并预测染色质结构的关键决定因素，能够检测 DNA 序列中远程元素之间的相互作用，实验证明该方法在预测准确性和训练时间方面优于多种现有方法。

    Jun, 2018

  • 使用基于 Transformer 的深度学习模型来进行 RNA 二级结构预测

    讨论了 RNA 和 RNA 的二级结构及其预测的基本概念，以及机器学习技术在预测生物大分子结构中的应用，并提出了基于 ResNet 的 RNA 三级结构预测算法和打分模型。

    Apr, 2024

  • 使用图注意力网络从单细胞数据预测疾病状态

    用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态，准确率达 92％，并发现了与预测相关的重要细胞类型和基因。同时，该方法为单细胞数据推断一个新的特征空间，并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入，这是首次将图注意力和深度学习应用于预测单细胞数据的疾病状态。

    Feb, 2020

  • 使用深度生成模型生成和设计 DNA

    本文提出了三种生成神经网络方法，用于生成 DNA 序列，并调整其具有期望的性质。这些工具捕捉到数据的重要结构，并在设计蛋白质结合微阵列探针时，生成具有超越训练数据的性能的新序列。我们相信这些结果为将深层生成模型应用于推进基因组学研究开辟了新的空间。

    Dec, 2017

  • 利用思维链和 LLMs 学习 DNA 结构生物物理学

    聊天 GPT 3.5-turbo 模型通过细调学习 DNA 的结构生物物理学，展示了一个具备集成各种实验数据并产生可验证假设的 AI 科学家工具的潜力。

    Mar, 2024

  • 基于注意力的多任务学习用于碱基编辑器结果预测

    提出了一种基于注意力的两阶段机器学习模型，用于预测给定基因组目标序列的所有可能编辑结果的可能性，并采用多任务学习模式同时学习多个碱基编辑器变体，验证了该模型对于增强和加速精细化碱基编辑设计进程的能力。

    Nov, 2023

  • 基于注意力的多任务学习用于基因编写器结果预测

    人类遗传疾病常常源于点突变，因此需要精确的基因组编辑技术。其中，碱基编辑作为一种使单个核苷酸发生靶向变化的技术显著突出。然而，其临床应用受到编辑效率低和非预期变异的限制，需要在实验室大量试错实验来加快该过程。为了加速这一过程，我们提出了一种基于注意力机制的两阶段机器学习模型，用于预测给定基因组目标序列的所有可能编辑结果的概率。我们进一步提出了一种多任务学习的模式，能够同时学习多个碱基编辑器（即变体）。我们模型的预测与多个数据集和碱基编辑器变体的实际实验结果能够保持强相关性。这些结果进一步验证了模型改进和加速碱基编辑设计过程的能力。

    Oct, 2023

  • DeepGATGO: 基于分层预训练的图注意力模型用于自动蛋白质功能预测

    自动蛋白质功能预测是一项大规模多标签分类问题，它旨在通过自动化蛋白质富集分析，消除对耗时的湿实验方法的依赖。通过仅使用蛋白质序列进行预测的方法逐渐提高可靠性和降低计算成本。因此，我们提出了一种基于序列的层次预测方法 DeepGATGO，它以层次化的方式处理蛋白质序列和 GO 术语标签，并利用图形注意力网络（GATs）和对比学习进行蛋白质功能预测。实验证明，我们提出的模型在大规模数据集上的 GO 术语富集分析中具有更好的可扩展性。

    Jul, 2023