【Bioinformatics】四篇好文简读-专题9

一

论文题目：

Overcoming the inadaptability of sparse group lasso for data with various group structures by stacking 论文摘要：

作者开发了一个分类器（SGL），它满足基于堆叠的稀疏组套索惩罚的预测、稳定性和选择标准。稀疏组套索具有表示套索与组套索之比的混合参数，作者建议使用堆叠泛化来组合不同的比率，而不是选择一个比率，这有助于克服稀疏组套索对某些数据的不适应性。相比较于基于正则化技术的Logistic回归模型，SGL可以考虑到生物组结构，在基于基因表达水平有效地识别基因，以帮助分类不同的癌症类型中能提高预测性能。实验结果表明，与其他正则化方法相比，该方法在不同数据集的特征选择中具有稳定的分类性能和较低的错发现率。此外作者的方法在三个公共癌症数据集上具有更好的准确性。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab848/6462433 Github链接：

https://github.com/huanheaha/Stacked_SGL

二

论文题目：

DeepSurf: a surface-based deep learning approach for the prediction of ligand binding sites on proteins

论文摘要：

了解蛋白质上潜在的可成药结合位点是发现新药的重要步骤之一。这些结合区域的计算与预测可以通过利用深度学习领域的最新重大进展和日益增加的可用数据来改善与提高。在本文中，作者提出了一种用于预测潜在结合位点的新计算方法，称为 DeepSurf。DeepSurf 结合了基于蛋白质表面的表示，其中许多 3D 体素化网格放置在蛋白质的表面，以及运用了最先进的深度学习框架。在对 scPDB 的大型数据库进行训练后，DeepSurf 在三个不同的测试数据集上展示了卓越的效果，超越了所有主要基于深度学习的对比方法，同时在与一组传统的非数据驱动的方法对比时也具有较好的竞争力。

论文链接：

https://academic.oup.com/bioinformatics/article-abstract/37/12/1681/6104838 代码链接：

https://github.com/stemylonas/DeepSurf.git

三

论文题目：

Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction

论文摘要：

表征药物-蛋白质相互作用（DPI）对于药物发现的高通量筛选至关重要。基于深度学习的方法可以预测DPI不需要人为的试验和错误。然而，由于数据标记需要大量的资源，可用的蛋白质数据规模相对较小，从而降低了模型性能。作者提出了两种方法来构建一个深度学习框架，该框架在小规模的标记数据集下表现出卓越的性能。首先，在编码蛋白质序列时使用预训练模型的迁移学习，以无监督的方式训练序列表征；其次，使用贝叶斯神经网络，通过估计数据的不确定性来建立一个稳健的模型，由此得到的模型在预测分子和蛋白质之间的相互作用方面比以前的基线表现得更好。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab346/6274647?searchresult=1

Github链接：

https://github.com/QHwan/PretrainDPI

四

论文题目：

Neuron Segmentation using 3D Wavelet Integrated Encoder-Decoder Network 论文摘要:

三维神经元分割是神经元数字化重建的关键步骤，对于探索大脑回路和理解大脑功能至关重要。然而，神经元的细微的神经纤维可以在很大的区域内分布，这给神经元分割带来了很大的计算量。同时，强噪声和断开的神经纤维给这项任务带来了巨大的挑战。本文提出了一种基于三维小波和深度学习的三维神经元分割方法。首先将神经元图像分割成神经元立方体，以简化分割任务。然后，设计了一个3D小波集成编解码网络3D WaveUNet来分割立方体中的神经纤维；小波可以帮助深层网络抑制数据噪声并连接断开的神经纤维。最后，将分割成立方体的神经纤维组装成完整的神经元。实验结果表明，本文的神经元分割方法能够在噪声神经元图像中完全提取出目标神经元。集成的三维小波可以有效地提高三维神经元分割和重建的性能。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab716/6396862 Github链接：

https://github.com/LiQiufu/3D-WaveUNe