Mar, 2024

基因调控网络在不确定性下从表达数据中识别吸引子：一种可解释的方法

PDF
TL;DR使用基于 Zadeh 计算的新方法，可以针对存在大量不确定性的时间基因表达数据有效地识别出吸引子，这种方法不仅基于模糊逻辑和语言描述，而且容易被人类专家理解，因此可被视为向可解释人工智能迈出的一 [有效] 步骤。
systems biologyattractor landscape analysisgene regulatory networkstemporal gene expression datainterpretable artificial intelligence
发现论文，激发创造
  • 基因调控网络中的负概率

    本文采用基于已知表达式的基因间相关性符号来确定基因间的符号不定共表达关系，同时提出了一种解决凸优化问题的方法，以计算和量化蛋白质调节中的基因相互作用结构和重要性。

    Jul, 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

  • 基因调控关系的大规模局部因果推断

    提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。

    Sep, 2019

  • 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

  • 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

    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。

    Sep, 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

  • 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

  • 使用截断 Lasso 惩罚发现图形格兰杰因果关系

    本文提出了一种名为 Truncating Lasso 的新罚函数方法，用于估计生物系统中基因之间的因果关系，可以在短时间内提供关于激活转录因子和其对受调控基因影响之间的时间滞后信息，并且在大 p，小 n 情况下可以 consistently 地发现因果关系。

    Jul, 2010

  • 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

  • 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