- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
基因组深度学习模型很难很好地解释个体转录组的变异
在这里，作者评估了四种最先进的模型 Enformer，Basenji2，ExPecto和Xpresso，使用Geuvadis的成对全基因组测序和RNA测序数据（n = 421），并显示出当解释个体间基因表达变异时 可以发现Enformer的预测与观察到的表达水平之间的Spearman秩相关系数为0.57，Basenji2为0.52，ExPecto为0.54，Xpresso为0.33，这表明这些模型解释了LCLs中基因表达变异的显著部分 可以发现，每个个体的交叉基因相关性与相应模型的参考基因组性能相似（图1b、c），Enformer的平均Spearman相关系数为0.55，Basenji2为0.51，ExPecto为0.52，Xpresso 结论 总结起来，作者对四个最先进的序列到表达深度学习模型（Enformer、Basenji2、ExPecto和Xpresso）在个性化基因表达预测上的表现进行了分析，发现这些模型在根据个体间输入DNA序列的差异来预测给定基因在个体间的表达差异时表现普遍不佳
56030编辑于 2023-09-09 - 来自专栏DrugOne
Nature Methods | 深度学习架构Enformer提高基因表达的预测准确性
优点 ①预测长度：Enformer可达100千碱基kb，而卷积层是局部感受野，需许多连续层才能到达远端元件，如Basinji2 或Expecto仅达到20千碱基kb。 通过帽基因分析（CAGE）预测转录起始位点（TSS）的RNA表达：Enformer将平均相关性从0.81提升至0.85，是Basinji1→Basinji2提升的两倍 ③预测准确性：Enformer比ExPecto ②与 ExPecto1中使用的DeepSEA方法相比，Enformer对 DNase 超敏反应的变异效应预测与GTEx的SLDP一致性更高。
2.2K10编辑于 2022-01-13 - 来自专栏ACM算法日常
魔咒词典（hash表）- HDU 1880
serpensortia] shoot a snake out of the end of one's wand [lumos] light the wand [obliviate] the memory charm [expecto
94920发布于 2018-08-07 - 来自专栏智能生信
Nucleic Acids Res.｜华大智造联合复旦大学发布人类基因组轻量级语言模型，整合卷积层以碱基分辨率解释非编码区
(C)图显示了DeepSEA、ExPecto、LOGO-919、LOGO-2002和LOGO-3357的参数大小。
92841编辑于 2022-12-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号