- 博客(32)
- 收藏
- 关注
RSS订阅原创 MLACP 2.0：一种更新的抗癌肽预测机器学习工具
抗癌肽是一种新型的抗癌药物，副作用小，比化疗和靶向治疗更有效。从序列信息预测抗癌肽是免疫信息学中最具挑战性的任务之一。在过去的十年里，已经提出了基于机器学习的方法来从肽序列中识别ACP活性。这些方法包括我们之前的方法MLACP(开发于2017年)，它对抗癌研究产生了重大影响。MLACP工具已被研究界广泛使用，但其健壮性仍需显著提高，才能继续得到实际应用。在本研究中，首次构建了用于ACP研究的==大型非冗余训练和独立数据集==。使用训练数据集，该研究探索了广泛的特征编码，并使用七种不同的传统分类器开发了各自的
2023-02-04 18:04:03
1286
原创 研究生阅读论文期刊列表
在做研究之前，一定要检索相关文献，在该研究的问题上是否有最新成果。检索工具有：1.谷歌学术：scholar.google.com2.Pubmed: https://pubmed.ncbi.nlm.nih.gov/3.微软学术：https://cn.bing.com/academic阅读论文仅限于下面期刊或会议：一、偏分子生物学期刊1.Bioinformatics2.Briefings in Bioinformatics3.Nature4.Cell5.Science6.IEEE-ACM
2022-06-07 20:42:37
661
原创 【无标题】Deep AVPpred：人工智能驱动的病毒感染多肽药物的发现
《Deep-AVPpred: Artificial intelligence driven discovery of peptide drugs for viral infections》单位： 印度瓦拉纳西州BHU印度理工学院计算机科学与工程系作者： Ritesh Sharma, Sameer Shrivastava, Sanjay Kumar Singh, Senior Member, IEEE, Abhinav Kumar,Amit Kumar Singh, Senior Member, IE
2022-05-08 08:10:44
778
原创 BERT6mA：使用基于深度学习的方法预测DNA N6甲基腺嘌呤位点
《BERT6mA: prediction of DNA N6-methyladenine site using deep learning-based approaches》Sho Tsukiyama , Md Mehedi Hasan , Hong-Wen Deng and Hiroyuki Kurata日本 九州理工学院生物科学和生物信息学系2022 年 2 月 28 日Briefings in Bioinformatics, 2022, 1–15https://doi.org/10.109
2022-03-12 19:03:16
4381
原创 windows 好用软件推荐
桌面美化类软件1.Wallpaper Engine 1:332.Fences 3:193.Groupy 3:59搜索&图方便类软件4.Everything 5:255.Powertoys 5:576.Utools 6:367.Quicker 7:27浏览器8.Google Chrome 8:499.Microsoft Edge 9:11下载类软件10.IDM 10:0911.NeatDM 10:3912.Motrix 11:03媒体类软件13.ACDSee 12:0
2021-12-21 09:25:18
161
转载 jupyter notebook添加虚拟环境
进入虚拟环境之后，执行conda install nb_conda， 安装nb_conda安装完之后，conda install -n 环境名称 ipykernel，比如我的虚拟环境是dac_imagenet，安装命令就是conda install -n dac_imagenet ipykernel将虚拟环境写入jupyter notebook中的环境中，运行：python -m ipykernel install --user --name 环境名称 --display-name “在ju..
2021-12-20 22:14:37
397
原创 HyperAttentionDTI：基于注意机制的序列深度学习改进药物-蛋白质相互作用预测
题目： HyperAttentionDTI: improving drug–protein interaction prediction by sequence-based deep learning with attention mechanism作者： Qichang Zhao ， Haochen Zhao , Kai Zheng , Jianxin Wang单位： 中南大学计算机科学与工程学院湖南省生物信息学重点实验室paper链接： https://pubmed.ncbi.nlm.nih.
2021-11-16 16:07:22
1917
1
原创 torch.nn.Embedding()参数讲解
nn.Embedding(26, self.dim,padding_idx=0)num_embeddings：表示词典中词的数量embedding_dim：表示每个词对应的向量维度import torchimport torch.nn as nnembed = nn.Embedding(10, 3, padding_idx=0) # padding_idx 默认是0 # 最终向量中的值为0的继续嵌入为0，如果设置为3的话，那么向量中值为3的位置的向量也将嵌入为0embed.weight
2021-11-14 10:55:12
2693
翻译 图神经网络用于RNA-蛋白质相互作用的新预测
《De novo p rediction of RNA-protein interactions with Graph NeuralNetworks》时间：2021年9月28日作者：Viplove Arora and Guido SanguinettiDOI：https://www.biorxiv.org/content/10.1101/2021.09.28.462100v1发表期刊：还未定AbstractRNA结合蛋白(RNAbindingProteins，RBPs)是基因表达的关键协
2021-10-28 16:32:23
3114
4
原创 GraphBind: 通过层次图神经网络学习蛋白质局部结构嵌入规则以用于识别核酸结合残基
《GraphBind: protein structural context embedded rules learned by hierarchical graph neural networks for recognizing nucleic-acid-binding residues》作者：夏莹，春秋夏，潘晓勇，沈宏斌单位：上海交通大学发表时间：2021年2月12日发表期刊：Nucleic Acids Researchpapercode and dataset...
2021-08-03 18:31:11
2198
1
原创 SkipGNN：用跳图网络预测分子相互作用
paper: https://www.nature.com/articles/s41598-020-77766-9code:https://github.com/kexinhuang12345/SkipGNN作者：Kexin Huang, Cao Xiao, Lucas M. Glass, Marinka Zitnik & Jimeng Sun发表时间：2020 年 12 月 3 日发表期刊：Scientific Reports 3区Abstract分子相互作用网络是分子发现的强大资
2021-07-17 10:55:51
1430
原创 关于图神经网络图正则化的再思考
hik=σ(W∗1∣Ni∣+1(∑j∋Nihjk−1+hik−1))h_{i}^{k}=\sigma\left(\mathrm{W} * \frac{1}{\left|N_{i}\right|+1}\left(\sum_{j \ni N_{i}} h_{j}^{k-1}+h_{i}^{k-1}\right)\right)hik=σ(W∗∣Ni∣+11(∑j∋Nihjk−1+hik−1))
2021-05-09 19:38:16
1632
原创 使用numpy打乱数据
方法1：a = np.array([1,2,3,4,5,6,7,8,9,10])b = np.array([1,2,3,4,5,6,7,8,9,10])np.random.seed(201)np.random.shuffle(a) np.random.seed(201)np.random.shuffle(b)print(a)print(b)out：[ 7 3 9 4 8 6 5 2 10 1][ 7 3 9 4 8 6 5 2 10 1]每次一样，种
2021-04-11 09:38:27
1323
原创 TaxoNN:基于分层微生物组数据的集成神经网络用于疾病预测
TaxoNN ensemble of neural networks on stratified microbiome data for disease predictionpapercode补充材料作者：Divya SharmaAndrew D. PatersonWei Xu 徐 葳 清华大学副教授发表期刊： 2020年5月25日 《Bioinformatics》Abstract动机：研究支持将微生物群作为某些疾病的预测因子的潜在用途。基于微生物组数据的复杂性，以及微生物操作分类单
2021-03-14 19:38:52
995
原创 FastRNABindR：快速准确预测蛋白质-RNA界面残基
paperAbstract广泛的生物学过程，包括基因表达的调节、蛋白质的合成以及许多病毒的复制和组装都是由RNA-蛋白质相互作用介导的。然而，蛋白质-RNA复合物结构的实验测定是昂贵的，而且在技术上具有挑战性。因此，已经开发了许多计算工具来预测蛋白质-RNA界面。一些最先进的蛋白质-RNA界面预测因子依赖于基于位置特定评分矩阵(PSSM)的蛋白质序列编码。生成PSSM所需的计算工作量严重限制了蛋白质-RNA界面预测服务器的实用价值。在这项工作中，我们实验了两种方法，随机抽样和序列相似性缩减，以从UniR
2021-02-07 18:55:34
1233
原创 aPRBind：结合序列和基于卷积神经网络学习的基于I-TASSER模型的结构特征，预测蛋白质-RNA相互作用
目录Paper_Info预备知识：AbstractMotivation:Results:1 Introduction2 Methods2.1 Data2.2 基于 I-TASSER的结构构件2.3 Features extraction2.4 Convolutional neural networks2.5 aPRBind算法的体系结构2.6 Performance evaluation measures3 Results3.1采用I-TASTER搭建的结构3.2 Analyses of feature
2021-01-13 18:20:37
1732
原创 IM6A-TS-CNN：用卷积神经网络识别多个组织中的N6-甲基腺嘌呤位点
《im6A-TS-CNN: Identifying the N6-Methyladenine Site in Multiple Tissues by Using the Convolutional Neural Network》Paper_Info作者： 刘克维 曹磊 杜普峰 陈伟教授单位：华北理工大学生命科学学院发表于 《Molecular Therapy-Nucleic Acids》在线时间：2020年7月31日paper链接：https://www.sciencedirect.c
2020-12-24 19:22:28
804
原创 百度图--神经网络7日打卡营--学习心得
一、百度神经网络7日打卡营课节课节1：预习课节2: 图学习初印象课节3: 图游走类模型课节4: 图神经网络算法（一） 课节5: 图神经网络算法（二）课节6: 图神经网络进阶模型课程网页链接：二、资源列表直播回放链接：https://www.bilibili.com/video/BV1rf4y1v7cU...
2020-11-28 14:40:49
575
原创 图神经网络7日打卡营--day1安装笔记
一、paddle安装 本人CPU版本1.安装使用如下命令：python -m pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple一般安装不成功都是少包，包没升级等问题，简单处理一下就行。如下图为安装成功：2.测试：使用 python 进入python解释器，输入import paddle.fluid ，再输入 paddle.fluid.install_check.run_check()。 如果出现 You
2020-11-24 00:36:58
1030
3
原创 EpiDope：用于线性B细胞表位预测的深度神经网络
《EpiDope：A Deep Neural Network for linear B-cell epitope prediction》paper数据、补充材料code作者： 马克西米利安· 科拉茨（ Maximilian Collatz） 、弗洛里安· 莫克（ Florian Mock） 马丁· 霍尔泽（MartinHölzer）、伊曼纽尔· 巴斯（ Emanuel Barth） 、康拉德· 萨克斯（ Konrad Sachse）、曼佳· 玛兹（Manja Marz）单位：德国 弗里德
2020-10-24 17:29:16
2855
2
原创 《深度学习可直接从组织学预测胃肠道癌微卫星不稳定性》
《Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer》paper链接：https://www.nature.com/articles/s41591-019-0462-yMATLAB code: https://github.com/jnkather/MSIfromHE作者：Jakob Nikolas Kather, Alexander T. Pe
2020-10-24 10:38:50
2390
1
原创 《使用图LSTM进行语义对象解析》--论文阅读笔记
Semantic Object Parsing with Graph LSTM原文GraphSage代码阅读笔记（TensorFlow版）目录摘要1.介绍2 Related Work3 The Proposed Graph LSTM3.1 Graph Construction3.2 Graph LSTM4 Experiments4.1 Results and Comparisons4.2 Discussions4.3 More Visual Comparison and Failure cases5 Co
2020-10-24 10:37:42
1506
原创 When Does Self-Supervision Help Graph Convolutional Networks?
《自我监控何时有助于绘制卷积网络图？》作者：Yuning You Tianlong Chen Zhangyang Wang1Yang Shen单位：德克萨斯农工大学篇幅：10第37届国际机器学习会议论文时间：[于2020年6月16日（v1）提交，最新修订于2020年7月18日（此版本v4）]papercode摘要自监督作为一种新兴的技术已被用于训练卷积神经网络(CNNs)，以提高图像表示学习的可传递性、泛化能力和鲁棒性。然而，它对操作图形数据的图形卷积网络(GCNS)的介绍却很少被探
2020-09-16 19:27:49
1219
原创 《Simple and Deep Graph Convolutional Networks》--论文阅读笔记
《Simple and Deep Graph Convolutional Networks》作者：魏哲巍、Ming Chen、Zengfeng Huang、Bolin Ding、Yaliang Li时间：2020年 ICML篇幅：11页Abstract图卷积网络(GCNS)是一种强大的图结构数据深度学习方法。最近，GCNS及其后续变体在真实数据集上的各个应用领域都显示出了优异的性能。尽管取得了成功，但由于过度平滑的问题，目前的大多数GCN模型都很浅。本文研究了深图卷积网络的设计与分析问题。我们提出
2020-07-22 20:54:13
3348
6
原创 《深度学习及其在生物医学中的应用》
Deep Learning and Its Applications in Biomedicinepaperabstract生物和医学技术的进步为我们提供了爆炸性的生物和生理数据，如医学图像、脑电图、基因组和蛋白质序列。从这些数据中学习有助于理解人类的健康和疾病。基于深度学习的算法从人工神经网络发展而来，在从复杂数据中提取特征和学习模式方面显示出巨大的前景。本文的目的是提供深度学习技术和一些最先进的应用在生物医学领域的概述。本文首先介绍了人工神经网络和深度学习的发展现状。然后，我们描述了深度学习的两个
2020-07-22 20:50:44
1594
1
原创 图神经网络有多强
papercode作者：Keyulu Xu MITWeihua Hu Stanford UniversityJure Leskovec Stanford UniversityStefanie Jegelka MITPublished as a conference paper at ICLR 2019截止2020/7/10被引用552次。摘要图神经网络(GNNs)是一种有效的图表示学习框架。GNN遵循邻域聚合方案，其中节点的表示向量是通过递归聚合和变换其相邻节点的表示向量来计算的
2020-07-22 20:49:59
559
原创 《基于图卷积网络的半监督分类》阅读笔记
《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》该文于2017发表于 ICLR 会议作者：Max Welling、Thomas N. Kipf机构：阿姆斯特丹大学paper链接code链接摘要：我们提出了一种可扩展的基于图结构数据的半监督学习方法，该方法基于卷积神经网络的一种有效变体，该网络直接在图上操作。我们通过谱图卷积的局域一阶近似来激励我们的卷积结构的选择。我们的模型在图的边数中线性缩放，并学习同时编码局
2020-07-03 22:10:48
2051
原创 《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》代码详解（Tensorflow版）
paper链接code链接文件目录结构：运行要求：‘numpy>=1.15.4’, ‘tensorflow>=1.15.2,<2.0’,‘networkx>=2.2’,‘scipy>=1.1.0’setuptools==40.6.3可通过bash运行setup.py 安装运行必要的包版本。数据集：载入数据的维度（以Cora数据集为例）adj(邻接矩阵)：由于比较稀疏，邻接矩阵格式是LIL的，并且shape为(2708, 2708)features
2020-06-11 16:44:30
1450
原创 《Semantic Object Parsing with Graph LSTM》--论文阅读笔记
Semantic Object Parsing with Graph LSTM原文2016年发表于计算机视觉三大会议之一的ECCV（European Conference on Computer Vision ） 欧洲计算机视觉国际会议。【另两个为：ICCV和CVPR】摘要通过将语义对象解析任务作为示例应用场景，我们提出了图长短期记忆（Graph LSTM）网络，它是LSTM从顺序数据或多...
2020-05-18 20:48:15
1897
5
原创 GraphSage代码阅读笔记（TensorFlow版）
一、论文、代码链接Inductive Representation Learning on Large Graphs论文链接graphsage代码链接二、文件结构1.文件目录├──eval_scripts //验证集├──example_data //ppi数据集└──graphsage//模型结构定义、GCN层定义、……2.eval_scripts //验证集目录内容├──ci...
2020-04-26 16:31:20
3766
10
原创 GRAPH ATTENTION NETWORKS--论文阅读笔记
摘要该论文发表于2018年ICLR（International Conference on Learning Representations）国际学习表征会议一、摘要## 标题 作者提出了图注意网络graph attention networks（GATS），它是一种操作于图结构数据，利用屏蔽的自我注意层（leveragi...
2020-03-29 23:01:54
2572
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人