29 Arbeiten
Die Studie stellt ein auf Temporal Convolutional Networks basierendes Multi-Label-Deep-Learning-Framework vor, das die Vorhersage von Transkriptionsfaktor-Bindungsstellen verbessert, indem es kooperative Mechanismen und Korrelationen zwischen verschiedenen Transkriptionsfaktoren erfasst.
Die Studie stellt ScNucAdapt vor, eine Methode zur präzisen Zelltyp-Annotation zwischen scRNA-seq- und snRNA-seq-Daten mittels partieller Domänenanpassung, die bestehende Grenzen überwindet und robustere Ergebnisse als vorherige Ansätze liefert.
Die Arbeit stellt DeeDeeExperiment vor, eine neue S4-Klasse im Bioconductor-Ökosystem, die auf SingleCellExperiment aufbaut und durch dedizierte Slots für Differential-Expression- und funktionelle Anreicherungsanalysen eine standardisierte, reproduzierbare Verwaltung und Kontextualisierung komplexer Omics-Ergebnisse ermöglicht.
Diese Studie vergleicht die Leistung von 29 maschinellen Lernalgorithmen, 80 Deep-Learning-Modellen und drei Polygenic-Risk-Score-Tools bei der Vorhersage von 80 binären Phänotypen aus dem openSNP-Datensatz und zeigt, dass maschinelles Lernen bei 44 Phänotypen überlegen ist, während die traditionellen PRS-Tools bei 36 Phänotypen besser abschneiden.
Die Studie stellt eine Pipeline aus maschinellem und tiefem Lernen vor, die Genotypdaten nutzt, um Personen in Fall-/Kontrollgruppen einzuteilen und durch Analyse der Feature-Importanz Gene zu identifizieren, die mit 30 verschiedenen Phänotypen assoziiert sind, wobei die ausgewählten SNPs eine hohe Übereinstimmung mit bekannten GWAS-Ergebnissen aufweisen und somit vielversprechend für die Priorisierung von Krankheitsgenen und therapeutischen Zielen sind.
Die Studie stellt SeekRBP vor, ein Framework, das Sequenz- und Strukturdaten mittels Reinforcement Learning und einem Multi-Armed-Bandit-Ansatz für die dynamische Negativstichprobenauswahl integriert, um die Identifizierung von Rezeptor-bindenden Proteinen (RBPs) bei Viren trotz hoher Sequenzdivergenz und Klassenungleichgewicht zu verbessern.
Die Studie zeigt, dass ein statistisch-mechanisches Modell, das auf präzisen in-vitro-Bindungsenergien des Transkriptionsfaktors Klf4 basiert, dessen genomweite Besetzungsmuster im menschlichen Genom ohne zusätzliche Anpassungsparameter erfolgreich vorhersagen kann.
Diese Studie nutzt eine neuartige Methode zur kausalen Verfolgung von Schaltkreisen in Single-Cell-Grundmodellen, um herauszufinden, dass beide untersuchten Modelle trotz unterschiedlicher Architekturen eine dominante inhibitorische Dynamik und hohe biologische Kohärenz aufweisen, wobei konsensbasierte Domänen signifikant mit Krankheitsassoziationen verknüpft sind.
Die Studie stellt einen datengesteuerten Ansatz vor, der mithilfe interpretierbarer maschinelles Lernverfahren komplexe mikrobielle Gemeinschaften in wenige funktionale Gruppen reduziert, um deren spezifische Stoffwechselrollen und Reaktionen auf Störungen in verschiedenen Ökosystemen aufzuklären.