发表于 |
字数统计: 342 | 阅读时长 ≈ 1

一句话评价

深度学习框架、应用和发展趋向

文章信息

题目：A Review of Deep Learning with Special Emphasis on Architectures, Applications and Recent Trends

杂志：Knowledge-Based Systems

时间：6 February 2020

链接: https://doi.org/10.1016/j.knosys.2020.105596

figure

文章介绍：

随着公众对深度学习有效性的认识不断提高，利用深度学习解决不同实际问题的愿望也在增加。但是，即使是对专业人员来说，接触该领域所产生的迅速增长的知识体系也是令人望而生畏的。从哪里开始？如何确定特定的深度学习模型是否适用于他们的问题？如何训练和部署这样一个网络？

这篇综述对组成深度学习的一些关键的多层人工神经网络进行了概述；同时讨论了一些使用多代理方法的自动架构优化方案；此外，由于保证系统的正常运行时间对许多计算机应用来说是至关重要的，我们将介绍如何使用神经网络进行故障检测和随后的缓解；并且对深度学习在不不同领域的应用进行了讨论。

这篇综述可以作为想涉及深度学习领域的初学者的一篇参考读物。

发表于 |
字数统计: 199 | 阅读时长 ≈ 1

PATRIC https://www.patricbrc.org/ ：即病理系统资源整合中心，提供了集成的数据资源和分析工具，以支持有关细菌感染性疾病的生物医学研究。

PATRIC, the Pathosystems Resource Integration Center, provides integrated data and analysis tools to support biomedical research on bacterial infectious diseases.

下面是该网站主页，主要包含3个模块：

  • 第一个是搜索模块，可以对细菌、古细菌、噬菌体以及真核宿主进行搜索，数据包括基因组、基因、转录组实验、分类学等信息；
  • 第二个是数据分析模块，可以进行基因组组装、注释、RNA-seq、代谢组的分析等
  • 第三个是多组学数据资源，如AMR数据，基因组数据，蛋白质家族，特殊基因等数据资源
阅读全文 »

发表于 | 分类于 |
字数统计: 367 | 阅读时长 ≈ 1

基因表达数据被广泛用于推测基因调控网络（Gene regulatory networks, GRNs）。单细胞RNAseq数据包含单个细胞的表达信息，非常有利于调控机制的研究。但是，目前从大量的表达数据中明确转录调控机制仍然面临挑战，而且，重构后的调控网络可能无法捕获主要的调控规则。

这篇文章提出了一个新的方法——TENET：从scRNAseq数据中通过传递熵（transfer entropy, TE) 计算基因间的因果关系，从而构建GRNs。他们的结果发现已知的靶基因具有显著高的TE值，且TE值越高的基因受各种干扰的影响越大。与其他方法相比，他们的结果表明TENET优于其他GRN预测算法。还有一个重要的性能是该方法可以鉴定关键的调控因子。将TENET应用于胚胎干细胞向神经细胞分化过程中的scRNAseq数据，他们发现Nme2是2i条件下特异性干细胞自我更新的关键因子。

阅读全文 »

发表于 |
字数统计: 223 | 阅读时长 ≈ 1

文章介绍：

药物组合不仅可能同时抑制多种肿瘤的驱动信号通路，而且有可能减少药物抵抗性。这篇文章介绍了一个利用多组学数据开发的工具——DrugComboExplorer，鉴定药物组合的驱动信号通路，并预测药物组合的协同作用。

该工具通过处理来自单个癌症患者的DNA测序、基因拷贝数、DNA甲基化和RNA序列数据，使用整合的算法（包括bootstrap aggregating-based Markov random field，WGCNA,监督调控网络学习）流程产生驱动信号网络。

DrugComboExplorer is available at https://github.com/Roosevelt- PKU/drugcombinationprediction.

figure

阅读全文 »