Mar, 2024

基于转移学习的功能转录网络的细胞重编程设计

PDF
TL;DR利用转录组数据进行预训练的转移学习方法，通过基因扰动的转录响应，最小化给定初始和目标转录状态之间的差异，成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型，研究揭示了基因调控网络对表型的管理方式。
synthetic biologygene perturbationstransfer learningtranscriptomic datagene regulatory networks
发现论文，激发创造
  • 通过控制细胞内网络动态来实现细胞命运重编程

    本文利用逻辑动态方案，开发了一种新颖的网络控制框架，用于结构和功能信息的整合，以预测生物网络中的控制目标，为癌症治疗和细胞分化寻找介入靶点。

    Aug, 2014

  • 深度强化学习在细胞重编程背景下的布尔模型吸引子景观遍历中的应用

    通过深度强化学习，我们开发了一个新颖的计算框架来鉴定细胞重编程策略，并在多种模型上进行测试。

    Feb, 2024

  • 使用循环一致性学习对单细胞干预反应进行可解释建模

    基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架，可以将初始细胞状态映射到潜在空间中，其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件，我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应，反之亦然，从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示，从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型，包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示，我们的模型比现有的最先进方法取得了更好的性能。

    Nov, 2023

  • 单细胞基因组的因果机器学习

    单细胞组学的高维数据与生物学系统的复杂性共同构成了因果关系的挑战，本研究旨在应用机器学习方法解决这一问题，讨论了单细胞基因组学中因果推断方法的应用、相关的假设、存在的问题以及未来的研究方向，并预测因果模型将成为未来实验设计的重要工具。

    Oct, 2023

  • 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

  • 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

  • 人类可理解的基因组尺度代谢网络主动学习

    合成生物学中，ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架，通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构，以有效探索宿主细胞系统的假设空间并引导实验设计，从而降低学习基因功能的实验成本。

    Aug, 2023

  • 稀疏调节网络

    该论文提出了一种新的方法，结合观察到的基因表达数据和先前关于网络结构的信息，使用 $L_1$ 惩罚对网络进行稀疏化，从而估计转录调节网络。该方法在计算效率和对网络结构的假设方面都具有优点。该方法被用于构建大肠杆菌的 TRN，并且该估计是生物上合理的，并且与先前的估计相比有优越性。

    Nov, 2010

  • CausalBench 挑战赛：基于单细胞干扰数据的基因网络推断的机器学习竞赛

    通过分析 CausalBench 挑战赛中的方法提交情况，提升了基因 - 基因相互作用网络的构建能力，为生物学和医学领域关键任务的状态提供了改进和新的技术水平。

    Aug, 2023

  • 人类 iPSC 重编程成功的早期预测

    使用超高分辨率显微镜连续定时成像人体诱导多能干细胞，再通过半自动跟踪系统使早期细胞标记后使用深度神经网络自动进行细胞分割和分类，为细胞治疗提供潜在来源的早期预测方法。

    May, 2023