【Bioinformatics】四篇好文简读-专题2

智能生信

发布于 2021-10-08 15:49:40

5490

发布于 2021-10-08 15:49:40

文章被收录于专栏：智能生信智能生信

一

论文题目：

Multi-omics data integration by generative adversarial network

论文摘要：

这篇文章主要介绍了一种用于生成整合组学数据来预测疾病表型的GAN模型（omicsGAN），这个模型将两个组学数据及其相互作用网络整合在一起，从交互网络以及两个组学数据集获取信息，并将它们融合生成具有更好预测信号的合成数据。经过实验验证该模型能够有效整合两组数据及其相互作用网络；相互作用网络的完整性在生成具有更高预测质量的合成数据方面起着至关重要的作用。

论文链接：

https://academic.oup.com/bioinformatics/advance-article-abstract/doi/10.1093/bioinformatics/btab608/6355579?redirectedFrom=fulltext Github链接：

https://github.com/CompbioLabUCF/omicsGAN

二

论文题目：

PhosIDN: an integrated deep neural network for improving protein phosphorylation site prediction by combining sequence and protein–protein interaction information

论文摘要：

这篇文章主要介绍了一种预测蛋白质磷酸化位点的新方法（PhosIDN）。磷酸化在各种细胞过程中起着关键作用，近年来关于磷酸化位点预测的方法多数是基于卷积神经网络，而卷积神经网络可能无法捕捉足够的蛋白质序列残基间长程相关性信息；而且现有的方法仅利用序列信息预测。作者开发了PhoslDN，可以通过序列信息和蛋白质-蛋白质相互作用（PPI）信息更精确地预测磷酸化位点。在PhosIDN中，有一个序列特征编码子网络，该子网络不仅捕获局部模式，还捕获蛋白质序列的长程相关性。还有一个PPI特征编码子网络用以提取PPI信息。此外，还有一个异构特征组合子网络，充分利用序列信息和PPI信息的关联，并将得到的组合特征用于最终预测。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab551/6329824 Github链接：

https://github.com/ustchangyuanyang/PhosIDN

三

论文题目：

Cancer subtype identification by consensus guided graph autoencoders

论文摘要：

癌症亚型鉴定旨在将癌症患者分成具有不同临床表型的亚组，并促进亚组特定疗法的发展。本文作者提出了一个模型CGGA用以识别癌症亚型。首先，用一个图自编码器学习每个组学的特征矩阵，其中的结构特征和节点特征都可以在学习过程中有效结合。然后，基于第一步中获得的特征，得到一组相似性矩阵。相似性矩阵被反馈到图自编码器以指导特征学习。通过迭代这两个步骤，得到癌症亚型的最终的相似性矩阵。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab535/6325018 Github链接：

https://github.com/alcs417/CGGA

四

论文题目：

EnHiC: learning fine-resolution Hi-C contact maps using a generative adversarial framework

论文摘要：

高通量染色体构象捕获（Hi-C）技术可以用于染色质相互作用的全基因组绘图。但高分辨率的Hi-C数据需要昂贵的深度测序，这项技术只在有限数量的细胞类型上得到实现。在本文中，作者提出了一种基于GAN框架的新方法（EnHic），用于从低分辨率输入数据中预测高分辨率Hi-C矩阵。该模型受非负矩阵分解启发，充分利用Hi-C矩阵的独特性质，从多尺度低分辨率矩阵中提取秩1特征，以提高分辨率。通过实验，作者证明了EnHic准确可靠地提高了Hi-C矩阵分辨率，且优于其他基于GAN的模型。此外，EnHic预测的高分辨率矩阵有助于精确检测拓扑相关域和精细尺度的染色质相互作用。