- 通过多视图图形对比学习与 HSIC 瓶颈正则化从组织学中预测空间分辨率基因表达
通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB),以学习共享表示来考虑空间依赖性,从而根据查询的图像点来估计相应的基因表达量。
- 利用环境结构:系统发展正则化鼓励解开的表征
通过从多个相关数据集和任务中推断潜在变量,我们开发了一种从基因表达预测表型等任务中学习潜在因果变量的方法,其中关键观点是基于基因表达引起的潜在变量与感兴趣表型之间的映射在密切相关的环境下变化稀疏。我们引入了树状正则化来建模稀疏变化,通过最小 - scRDiT: 扩散变压器生成单细胞 RNA 测序数据并加速采样
利用单细胞 RNA 测序 (scRNA-seq) 技术,该研究介绍了一种基于生成式方法 (scRDiT) 的神经网络模型,能够重现具有相似统计特性的虚拟 scRNA-seq 数据集,实验证明其优越性能。
- 集成深度学习与合成生物学:通过 N - 末端编码序列增强基因表达的共设计方法
利用深度学习与合成生物学协同设计的少样本训练工作流程,为 NCS 优化引入了一种新方法,通过 k 最近邻编码和 word2vec 对 NCS 进行编码,利用注意机制进行特征提取,构建时间序列网络预测基因表达强度,并通过直接搜索算法在有限训练 - 乳腺癌组织中染色胶原底物 RNAscope 的灰度纹理特征分割
此研究探讨了灰度纹理特征在乳腺癌组织中自动分割和分类 RNAscope 转录本位置的有用性,结果显示出灰度纹理特征的潜力,因其在自动化 RNAscope 定量方面与专家注释者表现相似(F1 得分:0.571 vs. 专家间 F1 得分:0. - 基于鲁棒加权评分的特征选择方法用于高维二元类不平衡基因表达数据
该研究提出了一种适用于高维基因表达二分类的不平衡数据的鲁棒加权评分方法(ROWSU),通过解决基因表达数据集中高度倾斜的类分布问题,从而提高分类算法的性能。该方法通过平衡训练数据集、贪心搜索选择最小基因子集、引入支持向量计算权重的新型鲁棒评 - 在单分子分辨率的空间转录组学中使用空间点过程预测未来状态
利用基于随机森林回归的流程,本研究预测果蝇胚胎发育过程中 Sog-D 基因表达的细胞未来分布,以揭示细胞和有机体在超分辨全胚空间转录组成像中如何控制基因表达;通过结合细胞在胚胎发育的每个阶段的状态和 Ripley's K-function, - 基于群集感知的迭代对比学习的 scRNA-seq 数据聚类
本研究提出了一种名为 Cluster-aware Iterative Contrastive Learning (CICL) 的新方法,用于单细胞 RNA 测序 (scRNA-seq) 数据聚类,通过迭代表示学习和聚类框架逐步学习 scRN - 利用图机器学习生成转录因子级联报告并鉴定潜在治疗靶点
利用图机器学习方法构建了一个由 81,488 个独特的转录因子级联组成的知识图谱,研究发现转录因子之间的复杂相互作用以及其对基因表达的调控作用,通过路径富集分析找出与癌症、发育、细胞信号等多个功能类别相关的途径,从而为研究特定转录因子的研究 - 利用深度学习识别 DNA 序列模体
Splice sites are vital for gene expression and accurate prediction is crucial; DeepDeCode, an attention-based deep learn - 学习带干预的线性高斯多树模型
本研究介绍了一种基于干预实验数据的一致且可扩展的本地方法,用于学习线性高斯多叉树的因果结构。该方法首先学习多叉树的骨架,然后定向其边缘,输出为代表真实潜在分布的多叉树的干预等价类的 CPDAG。我们使用二阶统计和低维边缘分布来实现骨架和定向 - 脑基因转录的压缩表示
脑的体系结构过于复杂,需要使用压缩表示来将其变化投影到一个紧凑且可导航的空间中。通过比较基于线性和非线性方法的压缩表示,我们发现深度自编码器在性能和目标领域的各个指标上都表现出卓越的性能,从而支持将其用作代表人脑转录模式的参考标准。
- 基因表达数据中检测基因间相互作用的并行层深度学习网络
利用已知基因表达和基因交互数据,本文提出了一个专门设计用于基因之间关系鉴定的并行层次深度学习网络 GENER,并通过与现有统计和深度学习方法的性能比较表明,在预测基因之间的相互作用方面优于竞争方法。
- 狨猴脑中基因表达图像的联合分解和配准的隐式神经表示
我们提出了一种基于隐式神经表征的新型图像配准方法,用于解决注册具有类似解剖结构但其中一个图像包含其他特征或工件而另一个图像中没有的一对脑图像的难题。通过将图像分解为支撑图像和残差图像,并联合执行配准,我们的方法在实验中表现出色,并且优于其他 - 通过整合背景知识图谱实现基因表达分类的端到端框架:应用于癌症预后预测
本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架,应用于基因表达数据和生物网络来进行癌症预后预测,实验结果表明相比于深度神经网络模型,我们的模型取得了更高的准确性,并通过富集分析鉴定了多种癌症类型的贡献基因和通路,从中识别了已 - 使用卷积神经网络对 T1 静息态 MRI 变异进行建模,用于诊断强迫症
该研究使用 TRS-MRI 扫描病人的大脑,利用二维卷积神经网络和 ResNet50 和 MobileNet 模型,对精神分裂症、抑郁症和强迫症进行交叉对比分析,结果显示 ResNet50 表现出了较好的效率,能够对前两者进行基因表达分析, - 生物因素调节神经网络
本文提出了 BFReg-NN,一个利用基因表达数据建立细胞系统中包含多种生物学知识的生物因子调控神经网络模型,并验证了其在不同基于基因表达数据的任务中相对于基线模型的卓越性能和生物学见解的一致性。
- hist2RNA:由乳腺癌组织病理学图像预测基因表达的有效深度学习架构
利用数字组织病理学图像和深度学习,通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果,包括腺激素受体阳性的乳腺癌亚型,并能为患者的术后治疗提供良好预测。
- 基于深度学习与可解释人工智能的基因组特征选择新算法
本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法,可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用,能够确定一组有意义的基因,供进一步医学研究参考。
- PRIME: 揭示多个脑区基因组范围内的非定时基因表达中的昼夜节律振荡模式及其与早发性阿尔茨海默病的关联
使用新的全面方法 PRIME,探索了 AD 患者脑部基因表达的全天节律模式,发现在 19 个不同的人类脑区域中,15 个对照组间出现了明显的同步振动模式,而这些振动模式在 AD 患者中要么消失,要么降低。