MRCNN: a deep learning model for regression of genome-wide DNA methylation（论文阅读报告）

最新推荐文章于 2023-03-11 21:42:59 发布
最新推荐文章于 2023-03-11 21:42:59 发布
阅读量454 收藏 1
点赞数 1
分类专栏： 论文阅读 文章标签： 神经网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WeilingDu/article/details/108608750
版权
MRCNN是一种基于卷积神经网络的深度学习模型，用于全基因组DNA甲基化的连续值回归。模型通过局部DNA序列进行预测，减少了预处理步骤，并在预测甲基化水平上表现出色。研究还展示了MRCNN在分类性能和特征分析上的优势，发现与DNA甲基化相关的序列基序。
摘要由CSDN通过智能技术生成

MRCNN: a deep learning model for regression of genome-wide DNA methylation

Motivation

DNA甲基化的过程是在DNA甲基转移酶（Dnmt）作用下向胞嘧啶选择性地添加一个甲基以形成5-胞嘧啶。

在哺乳动物基因组中，70-80％的CpG二核苷酸都有甲基化现象。

CpG甲基化对基因表达等方面有影响。

全基因组DNA甲基化的测定是研究其影响的基础。

Related Work

  • WGBS：可以实现基因组甲基化模式的系统级分析。但是具有以下缺点：昂贵；受到亚硫酸氢盐转化的基因组的低序列复杂度和降低的GC含量的限制；不稳定的环境和不同的平台使预测更加困难。

    CpG位点特异性甲基化水平的预测对于全基因组的甲基化分析至关重要。

  • CGI：着重于预测特定基因组区域的甲基化模式。

  • 大多数方法都需要结合大量信息，比如预定义特征。但甲基化位点的数量很大，很难轻松获得相应的预测特征。这导致在做预测之前需要做大量的人工注释和数据预处理。

Method

MRCNN：

  1. 基于多层卷积神经网络模型，可以在单碱基情况下实现CpG位点的甲基化预测。
  2. 由于连续的MSE（均方误差）损失函数，该方法可以实现
最低0.47元/天 解锁文章
WeilingDu
关注
专栏目录
Deep learning——Regression
dichao1020的博客
01-16 331
Deep learning ——Regression）RegressionExample ApplicationStep 1: ModelStep 2: Goodness of FunctionStep 3: Best FunctionStep 4: Gradient DescentHow’s the results?Model SelectionBack to step 1:Redesign the ModelBack to step 1:Redesign the Model AgainBack to s
基于深度学习的时间序列分类综述代码运行步骤（Deep-learning-for-time-series-classification-a-review）
tcytcy668的博客
06-12 2617
准备工作 （1）github上下载代码，网址是：https://github.com/hfawaz/dl-4-tsc （2）pycharm导入下载好的代码，十分简单，结果如下图。其中readme文件必读，里面有关于代码的信息，以及实验的结果表格。 注意事项： （1）代码中的文件位置设置自行完成（根据你数据集的位置设置） （2）代码中使用的时间序列数据集： 单变量：http://timeseriesclassification.com/TSC.zip 多变量：http://www.mustafabaydo.
Deep learning：三(Multivariance Linear Regression练习)
weixin_34082854的博客
03-15 177
  　　前言: 　　本文主要是来练习多变量线性回归问题(其实本文也就3个变量)，参考资料见网页：http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex3/ex3.html.其实在上一篇博文Deep learning：二(linear regres...
Deep learning：十四(Softmax Regression练习)
weixin_34198881的博客
03-23 129
  　　前言： 　　这篇文章主要是用来练习softmax regression在多分类器中的应用，关于该部分的理论知识已经在前面的博文中Deep learning：十三(Softmax Regression)有所介绍。本次的实验内容是参考网页：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Softmax_Regression。...
Deep Learning (Logistic Regression)
puretech_的专栏
10-01 5660
Background   Note 本节假定大家对Theano的下列基本概念比较熟悉： 共享变量，基本算数操作，T.grad, floatX. 如果你希望在GPU上运行代码，你还需要掌握GPU的知识。 本节所需代码在这里下载。 概述 在本节中，我们展示了如何使用Theano来实现最基本的分类器：逻辑回归。我们用这个模型的一个快速入门例子来说明， 他不仅可以看做一个学习例子，也可以是
Deep Learning Exercise: Linear Regression
xzywisdili的博客
03-28 344
Deep Learning Exercise: Linear Regression简介最简单的二元线性回归，参考斯坦福大学教学网http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearning&doc=exercises/ex2/ex2.html。该例给出的训练集有50个样本，其中 x 指 50 个小孩
多目标追踪-2019综述《Deep Learning in Video Multi-Object Tracking: A Survey》
qq_41614538的博客
12-02 6433
Deep Learning in Video Multi-Object Tracking: A Survey 近期开始研究多目标追踪，因此先找了一篇比较新的2019年综述性论文入门。 本论文将MOT通用算法归纳为4个步骤，并分别介绍了Deep Learning在各步骤中的应用，给出了典型论文以供读者进一步阅读学习。 文章目录1 Introduction2 MOT: algorithms, me...
End-to-End Learning of Geometry and Context for Deep Stereo Regression
网瘾少年康复中心
05-23 5660
摘： 使用深度特征表示组成成本向量，充分利用3D卷积提取上下文的纹理信息。深度值以差分softargmin操作相规范化，没有额外的预处理或者正则化得到一种端到端的方法 介： 立体匹配算法应该看重全局，而非局部。本篇展示了如何利用端到端的立体匹配模型，从而理解更加广泛的文本信息 3.学习端到端偏差回归
【论文阅读】Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
qq_38333323的博客
11-22 4596
主要内容 文章提出两个Loss ：Distance-IoU(DIoU) Loss和Complete IoU(CIoU) Loss用于目标检测的Bbox回归，并与IoU Loss和GIoU Loss做了对比，比这两个收敛得更快、更准。此外，DIoU很容易用在NMS中。 Loss 先简单回顾一下IoU Loss和GIoU Loss，再说明文章提出的DIoU Loss和CIoU Loss IoU 先说说...
A Survey of the Usages of Deep Learning for Natural Language Processing2019综述学习
weixin_45562632的博客
09-07 2027
A Survey of the Usages of Deep Learning for Natural Language Processing2019综述学习1.介绍2.自然语言处理和深度学习2.1自然语言处理2.2神经网络和深度学习2.2.1 CNN 摘要 在过去的几年里，随着深度学习模型的大量使用，自然语言处理领域得到了极大的发展。本调查对该领域进行了简要介绍，并简要概述了深度学习体系结构和方法。然后，它筛选了大量最近的研究，并总结了大量相关的贡献。分析的研究领域除了计算语言学的一些应用外，还包括几个核
MRCNN-Scene-Recognition, 用于大规模场景识别的CNNs.zip
09-17
MRCNN-Scene-Recognition, 用于大规模场景识别的CNNs 基于的大规模场景识别多分辨率这里我们提供了以下纸张( Arxiv预印本)的代码和模型：Knowledge Guided Disambiguation for Large-Scale Scene Classification wit
Deep Learning [2] -- Logistic regression model from scratch
Code Poet
06-06 296
I. What is logistic regression?  简单来说，线性回归解决的是：由已知的线性个特征输入值作为参数，通过已知数据集训练(training dataset)出一个线性回归模型(logistic regression model)，从而来预测一个输出结果，这个输出结果是一个连续值。一个简单的例子：有个房主想卖掉自己的房子
MR-CNN 详解
Kula的博客
03-16 3525
（一）Multi-Region CNN（二）Semantic Segmentation-Aware（三）目标的定位
MRCNN翻译
冷夏的专栏
03-12 1449
Object detection via a multi-region & semantic segmentation-aware CNN model 参考: https://blog.csdn.net/zimenglan_sysu/article/details/51317269 一、Abstract 提出了一种基于多区域深度卷积神经网络(CNN)的目标检测系统。由此产生的基于cnn的表...
1. Introduction to deep learning(Regression, layer)
qq_28091171的博客
12-21 461
Classical regression model Linear regression model Linear regression model is identifying the regressions between this part, and how they affect a back-end actiity Model with no interactions VS Model ...
Deep Learning Model--CNN
weixin_42141390的博客
03-11 2469
文章目录Fully Connected LayersImage Kernel and Convolution OperationApplying Image Kernel on an ImageTheory on CNNConvolution LayerPadding for Operate Convolution SuccessfullyConvolution Operation of Nue...
《Mask R-CNN》论文阅读之Mask R-CNN
Gavinmiaoc的博客
06-14 4056
导读 Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。 Mask-RCNN 大体框架还是 F...
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
LIYUO94的博客
12-24 832
《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
【每日一网】Day7：MR-CNN简单理解
dudu199806的博客
12-20 586
MR-CNN 算法背景
Error: wrong model type for regression
最新发布
03-31
The error message "wrong model type for regression" typically occurs when the model being used for regression analysis is not appropriate for the data being analyzed. For example, using a linear ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值