DrugAI-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

DrugAI

关注人工智能与化学、生物、药学和医学的交叉领域进展，提供“原创、专业、实例”的解读分享。

专栏成员

1142

文章

760291

阅读量

121

订阅数

基于神经网络的迁移学习用于单细胞RNA-seq分析中的聚类和细胞类型分类

深度学习机器学习人工智能生物基因

今天给大家介绍由美国宾夕法尼亚大学佩雷尔曼医学院生物统计学，流行病学和信息学系Jian Hu等人在《Nature Machine Intelligence》上发表了一篇名为“Iterative transfer learning with neural network for clustering and cell type classification in single-cell RNA-seq analysis”的文章。文中提出了一种迁移学习算法ItClust，这是一种监督的机器学习方法,该方法借鉴了现有的受监督细胞类型分类算法的思想，利用了从源数据中学到的特定细胞类型的基因表达信息，来帮助对新生成的目标数据进行聚类和细胞类型分类。通过使用不同的scRNA-seq数据进行全面的评估，发现ItClust能够显著的提高聚类和细胞类型分类的准确性。随着scRNA-seq在生物医学研究中的日益普及，未来希望ItClust将更好地利用大量现有的经过良好注释的scRNA-seq数据集，并使研究人员能够准确地对研究中的细胞进行聚类和注释。

2021-02-02

8640

Nat. Methods | MARS: 跨异构单细胞实验发现新型细胞类型

深度学习机器学习神经网络人工智能生物基因

今天给大家介绍由美国斯坦福大学计算机科学系Jure Leskoveck课题组在《Nature methods》上发表了一篇名为“MARS: discovering novel cell types across heterogeneous single-cell experiments”的文章。文中提出了用于识别和注释已知的以及新的细胞类型的元学习方法MARS,MARS通过跨多个数据集传输潜在细胞表示，克服了细胞类型的异质性。使用深度学习来学习细胞嵌入功能以及细胞嵌入空间中的一组地标。该方法具有发现以前从未见过的细胞类型并注释尚未注释的实验的独特能力。将MARS应用于大型小鼠细胞图集，并展示了其准确识别以前从未见过的细胞类型的能力。此外，MARS通过概率性地在嵌入空间中定义细胞类型，自动为新的细胞类型生成可解释的名称。

2021-02-02

5760

Nat. Commun. | 深度学习探索可编程RNA开关

深度学习机器学习人工智能神经网络生物基因

今天给大家介绍的是一篇发表在Nature Communications 的文章“A deep learning approach to programmable RNA switches”，工程RNA元件是能够检测小分子、蛋白质和核酸（合成生物学成分）的可编程工具。增强深度学习的模式识别可以用于预测合成生物学成分。本文用深度神经网络（DNN）来预测合成生物学中的经典核糖开关模型——toehold开关。为了促进DNN训练，作者在体内合成并表征了涵盖23个病毒基因组和906个人类转录因子的91,534个toehold开关的数据集。经过核苷酸序列训练的DNN表现（R 2 = 0.43–0.70）优于前沿的热力学和动力学模型（R 2 = 0.04–0.15），且允许实行人类可理解的注意力可视化（VIS4Map）识别成功和失败的模式。本文研究表明深度学习方法可用于RNA合成生物学中的功能预测。

2021-02-02

5040

Nat. Mach. Intell. | 可解释胶囊网络深度学习框架从单细胞RNA测序数据中识别细胞类型

深度学习机器学习人工智能神经网络生物基因

今天给大家介绍由中国科学院大学Lifei Wang等人在《nature machine intelligence》上发表了一篇名为“An interpretable deep-learning architecture of capsule networks for identifying cell-type gene expression programs from single-cell RNA sequencing data”的文章。文中提出了一个使用胶囊网络（称为scCapsNet）的可解释的深度学习体系结构。胶囊结构（代表一组特定对象属性的神经元向量）捕捉层次关系。通过利用竞争性单细胞类型识别，scCapsNet模型能够进行特征选择以识别编码不同亚细胞类型的基因组。将RNA表达特征有效地整合到scCapsNet的参数矩阵中，实现了亚细胞类型识别。

2021-02-02

7140

CellPress｜单细胞技术和基于深度学习的药物反应预测

深度学习机器学习人工智能神经网络生物基因

今天给大家介绍的是俄亥俄州立大学Qin Ma课题组发表在发表在Trends in Pharmacological Sciences的一篇综述，“Single-Cell Techniques and Deep Learning in Predicting Drug Response”。

2021-02-02

8980

CellPress | 为计算蛋白设计革命做好准备

深度学习机器学习人工智能生物基因神经网络

由于对蛋白质功能的预测性控制和重新定义这些功能的能力已经推动蛋白质工程领域进入了一个前所未有的发展时代，因此，计算蛋白质设计被预测将为生物技术产业提供下一个量子飞跃。自然界只采样了约1012种不同的可能的蛋白质，而一个100个氨基酸的蛋白质有20100种潜在的序列变化。通过将计算设计融入到生产治疗性蛋白质的工作流程中，研发部门可以利用计算能力的快速发展，在创纪录的时间内设计出精确的功能性新型蛋白质治疗剂。

2021-02-02

8610

Nat. Com. Sci.｜稳定维护隐藏开关以提高基因表达的稳定性

大数据数据挖掘生物基因机器学习人工智能

今天给大家介绍的是沙特阿卜杜拉国王科技大学(KAUST)高欣教授课题组(http://sfb.kaust.edu.sa)2021年1月14日发表在《Nature Computational Science》的一篇文章，“Stable maintenance of hidden switches as a strategy to increase the gene expression stability”。严重的压力下，野生型生物体可以释放出在正常条件下隐藏的替代表型，这些表型与潜在的遗传变异有关。研究人员通过使用计算模拟，分析了稳定化选择下基因电路的适应性进化。发现在最佳表达水平周围，不同的策略演化都降低了基因表达噪声的水平。为了从一个具有双稳态个体的创始种群中逐步提高基因表达稳定性，进化的方向始终是沿着提高双稳态系统潜在屏障高度的方向进行。结果表明，隐藏的表型开关可以在环境静止期间稳定地维持，有利于在发生实质性扰动时释放潜在的适应性表型选择。

2021-02-01

6620

TransBorrow：通过借用不同拼接工具的拼接结果来引导完成转录组拼接

深度学习机器学习人工智能生物基因

今天给大家介绍的是山东大学（威海）柳军涛课题组和沙特阿卜杜拉国王科技大学（KAUST）高欣教授课题组（http://sfb.kaust.edu.sa）发表在Genome Research的一篇文章，“TransBorrow: Genome-guided transcriptome assembly by borrowing assemblies from different assemblers“。RNA-seq技术（转录组测序技术）由于其高通量、高精度、低成本，目前仍广泛应用在各种转录组学研究中，并为揭示转录组的复杂结构提供了巨大的机会。二代RNA测序技术大大提高了测序的通量，且极大降低了单个碱基的测序成本，但在测序长度上并不能一次性读完全长转录本序列，测序得到的序列只是转录本的一段序列，因此需要通过组装的方法，将测到的序列拼接成完整的转录组。在这项研究中，作者开发了一种新的基于参考基因组的组装工具——TransBorrow（具体流程见图1），并在模拟数据集和100余组不同类型的真实数据集上进行了测试，与现有的经典的转录组组装工具相比，TransBorrow表现出极大的优越性。

2021-02-01

9250

Nat. Mach. Intell. | 基于深度学习预测DNA甲基化位点

深度学习机器学习人工智能生物基因

研究人员开发了一种预测DNA甲基化位点的机器学习算法可以帮助识别致病机制。该论文2020年8月3日发表在"Nature Machine Intelligence"上。

2021-02-01

8530

NeuIPS | 蛋白设计新方法？基于图的蛋白生成模型

深度学习机器学习人工智能生物基因

今天给大家介绍的是麻省理工大学计算机科学和人工智能实验室在NeuIPS 2019会议上发表的一篇文章。在文中，作者提出了一种基于图结构的蛋白质序列生成模型，通过聚焦三维空间上相邻的蛋白质区域，在基于神经网络的生成模型的蛋白质序列复杂度有了显著改善，并且比最先进的Rosetta程序生成序列更准确和高效。

2021-02-01

4850

Nature Methods | 用深度多任务神经网络探索单细胞数据

深度学习生物基因人工智能

在生物医学领域，分析大规模、高维度的单细胞数据，并且处理由分批实验效应和不同制备造成的数据噪声是当前的挑战；单细胞数据的大规模、高维度处理比较困难，需要考虑数据中不同程度的噪声、分批效应、人工误差、稀疏异质性。

2021-01-28

7490

没有更多了

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态