29 papers
Dit paper introduceert een multi-label deep learning-framework op basis van Temporal Convolutional Networks dat de binding van transcriptiefactoren aan DNA voorspelt door samenwerkingsmechanismen te modelleren, waardoor zowel bekende interacties worden bevestigd als nieuwe co-bindingspatronen worden ontdekt.
Dit artikel introduceert ScNucAdapt, een methode die gebruikmaakt van partiële domeinadaptatie om nauwkeurige en robuuste celtypeannotatie mogelijk te maken tussen gekoppelde en niet-gekoppelde scRNA-seq- en snRNA-seq-datasets.
Dit artikel introduceert DeeDeeExperiment, een nieuwe S4-klasse binnen het Bioconductor-ecosysteem die bestaande SingleCellExperiment-objects uitbreidt met speciale slots voor het gestructureerd opslaan, beheren en interpreteren van differentialexpressie- en functionele verrijkinganalyse-resultaten, waardoor de reproduceerbaarheid en uitwisselbaarheid van complexe omics-data wordt verbeterd.
Dit artikel presenteert een benchmark van 80 fenotypes uit de openSNP-dataset, waarbij machine learning-algoritmes voor 44 fenotypes beter presteerden dan polygenische risicoscores, terwijl laatstgenoemde voor 36 fenotypes superieur bleek.
Deze studie presenteert een machine- en deep learning-pipeline die, na classificatie van individuen op basis van genotypegegevens, genen koppelt aan fenotypes door middel van feature importance-analyse, waarbij een gemiddelde genidentificatie-ratio van 0,84 wordt bereikt die de prioritering van ziekte-geassocieerde SNPs en genen ondersteunt.
SeekRBP is een geavanceerd framework dat sequentie- en structuurinformatie combineert met versterkingslering om receptor-bindende eiwitten in bacteriofagen nauwkeuriger te identificeren dan traditionele methoden, vooral door dynamisch te leren van informatieve negatieve voorbeelden.
Deze studie toont aan dat een statistisch mechanisch model, gebaseerd op *in vitro* bindingsenergieën van de transcriptiefactor Klf4, nauwkeurig de genomische bezetting van Klf4 in het menselijk genoom kan voorspellen zonder extra aanpassingsparameters.
Deze studie introduceert causale circuittracing om aan te tonen dat single-cell foundation-modellen, ondanks hun architecturale verschillen, een opvallende biologische coherentie en inhiberende dominantie vertonen, waarbij gedeelde domeinen sterk geassocieerd zijn met ziekten en experimenteel worden gevalideerd.
Deze studie introduceert een datagedreven, interpreteerbare machinelearning-aanpak die complexe microbiomen reduceert tot enkele functionele groepen, waardoor de relatie tussen microbiële samenstelling en ecosysteemfuncties in de menselijke darm, oceanen en bodem helder wordt.