Mar, 2024

预测 3D 基因组结构的机器学习和深度学习方法

PDF
TL;DR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。
3d chromatin interactionsenhancer-promoter interactionschromatin conformation capture technologiesmachine learning methodscomputational prediction of 3d interactions
发现论文，激发创造
  • DeepChrome：基于深度学习的组蛋白修饰预测基因表达

    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

  • 序列协同演化揭示蛋白质复合物的 3D 接触和结构

    该研究表明，通过分析蛋白质序列之间的相关进化序列变化，可以准确识别与蛋白质配对的残基，从而确定蛋白质复合物的三维结构，可用于残基分辨率下的互作预测，并且随着序列数据库的增长，这种方法可以扩展到基因组范围内蛋白质相互作用网络的阐明和互作预测。

    May, 2014

  • 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

    UNADON 是一种新型的基于 Transformer 的深度学习模型，使用基因序列特征和表观遗传信号预测了某种特定类型的核小体对于染色体的细胞学距离，揭示了影响大规模染色质分区定位到核小体的潜在序列和表观遗传因素，有助于深入理解核结构与功能的关系。

    Apr, 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

  • 基于组织和检测嵌入的泛化序列模型用于表观基因组预测

    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

  • 出席并预测：关于染色质上选择性注意力的基因调控理解

    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

  • 构象合集下的分子机器学习

    利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现，我们介绍了多重深度学习模型，并将其在二维、三维和四维表示中的表现进行了测试，深度学习模型可以学习每个构象的可解释性关注权重。

    Dec, 2020

  • 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

  • MATE-Pred: 多模态基于注意力的 TCR-Epitope 相互作用预测器

    MATE-Pred 是一种高度可靠的新方法，通过多模式注意力机制预测 T 细胞受体和表位结合亲和力，展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力，以及在各种药物发现方案中的潜在应用。

    Dec, 2023

  • 基于机器学习的可转位元件分层分类预测

    该研究旨在通过比较不同机器学习方法的表现，提出一种基于支持向量机（SVM）的有效的转座因子（Transposable Elements）分类方法，以更准确地理解它们在基因组中的遗传和进化效应。

    Jul, 2019