DeepTCR论文笔记

最新推荐文章于 2024-10-17 16:15:45 发布
最新推荐文章于 2024-10-17 16:15:45 发布
阅读量158 收藏 3
点赞数 4
文章标签： 论文阅读 机器学习 人工智能
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/m0_74366152/article/details/140572185
版权

TCR特征表示块：将序列先表征到高维空间，使用三层CNN学习提取序列的特征，vdj基因的使用情况作为one-hot表示的分类变量提供给网络，一个可训练的嵌入层再次被用来学习V/D/J基因片段的特征，并将它们从离散的数值空间转换为连续的数值空间，然后将这些特征在网络中连接起来，通过其CDR3序列和V/D/J基因的使用提供TCR序列的联合表示，从而允许更完整地表示T细胞受体。然后再进行重构输入改进的TCR表征：包含tcr的序列输入和vdj基因信息的输入

无监督模型：

使用VAE算法，通过TCR特征表示块后得到特征表示后再重构输入

下游任务：

1.通过vae表征以后，使用欧几里得距离，汉明距离，全局序列对其距离

来计算T细胞之间的距离，然后进行聚类，基础真值标签对应于单个序列的特定抗原特异性，算法的聚类数量从5到100个聚类变化，使用方差比率标准，以及AMI来衡量所有描述的特征化方法的所有聚类解决方案的质量。

  1. 使用knn来 评估各种特征化方法的质量

监督训练：

1.模型1：经过特征提取模块后进行分类任务，标签为对应的特异性抗原

这表明监督学习方法不仅比无监督学习提高TCR序列分类的准确性，还可以揭示决定TCR抗原特异性的关键序列特征

使用了10x Genomics中 57229对α/β TCR与44种特定的pMHC（肽-主要组织相容性复合物）多聚体和6个阴性对照的结合情况进行训练

2.模型2：使用变分自编码器（VAE）和多头注意力机制，来训练一个用于分类TCR（T细胞受体）序列库的模型。由于一组序列（即TCR库）可能包含大量与特定抗原无关的序列，这个过程旨在解决如何从一组TCR序列中识别出对特定抗原有反应的序列的问题。模型的目标是区分那些接触了相应抗原的样本（实验组）与没有接触（对照组）的样本，这有助于确定哪些T细胞反应是针对特定抗原的。

数据来源

码农吊兴
关注
深度学习auc_癌症早筛新方法：深度学习算法结合TCR免疫组库开发新型预测工具，在多种癌症中AUC超过 0.95。...
weixin_35253106的博客
01-04 2571
今天分享的文献是由美国德克萨斯大学达拉斯西南医学中心研究团队于2020年8月在Science Translational Medicine发表的关于TCR免疫组库与深度学习在癌症早筛中应用的文章《De novo prediction of cancer-associated T cell receptors for noninvasive cancer detection》...
Python库 | DeepTCR-2.1.16.tar.gz
04-07
资源分类：Python库 所属语言：Python 资源全名：DeepTCR-2.1.16.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
【总结】DeepCTR如何构建模型
若如意
05-15 2522
前言 keras函数式API构建模型 deepctr中的特征标记 Input层的构建 Embedding层的构建 不同类型特征的处理方式 deepctr模型的构建 总结 前言 相信推荐算法小白们应该没有不知道deepctr这个包的了吧，这个包由于它的易用、易扩展性在学术界、工业界以及"比赛界"，都有大量的用户在使用，并且其中实现了非常多的经典的ctr模型，如果我们熟悉其代码风格的话，就可以很容易的熟悉经典ctr模型的实现原理。fun-rec开源项目中的代码也是参考deepctr的风格来实现的，为了让推荐.
DRRG翻译.Deep Relational Reasoning Graph Network for Arbitrary Shape Text Detection
weixin_44929101的博客
10-16 1845
摘要 由于场景文本的多样性和复杂性，任意形状文本检测是一项具有挑战性的任务。在本文中，我们提出了一种新颖的统一关系推理图网络用于任意形状的文本检测。在我们的方法中，一个独创的局部图构建了文本建议模型，通过卷积神经网络（CNN）和基于图关系卷积网络的深度关系推理网络（GCN），使我们的网络达到端到端训练。具体来说，每个文本实例都将分成一系列小的矩形组件，小组件的几何属性（例如高度，宽度和方向）将通过文本目标模型进行估算。给定几何属性，局部图构造模型可以大致建立不同文本组件之间的联系，为了进一步的推理并推论组件
基于Deepwalk的网络拓扑相似度预测与表位相关的TCR
03-08
摘要当前，在线上有许多工具可用于T细胞表位预测。 他们通常专注于肽与抗原呈递细胞（APC）表面上的主要组织相容性复合体（MHC）分子的结合。 但是，肽和MHC复合物与T细胞受体（TCR）的结合对于免疫过程也很关键。 鉴定人表位与TCR的结合将对开发疫苗有用。 它还在诸如癌症和自身免疫性疾病等医学问题上具有广阔的前景。 我们提出了一种基于相似性的基于相似性的TCR表位预测方法。 本文介绍了Deepwalk方法，用于计算TCR-TCR之间的拓扑相似性，构建TCR相似性网络拓扑，并基于已知的TCR-表位关联预测TCR与表位之间的相关性。 我们从VDJDB数据库和经过训练的模型中从22种表位中选择数据，以实现TCR表位预测。 我们根据来自22种类型的表位的数据训练了一个模型，预测每个TCR属于哪个表位。 为了与其他方法进行比较，我们还生成了第二种方法，该方法包括为每种类型的表位训练模型，以便我们可以从大量的TCR中预测哪个TCR与表位结合。 我们使用ROC曲线，PR曲线和其他评估指标对我们的模型进行10倍交叉验证。 在第一个模型中，我们方法的AUC值为0.926，支持向量机（SVM）方法的AU
Deep Learning chapter 1引言
jiangxguang的博客
06-19 139
DeepLearning chapter 1 引言深度学习定位三次浪潮与日俱增的模型规模 深度学习定位   最早期的人工智能尝试使用硬编码方法来向计算机描述世界。计算机通过逻辑推理规则和硬编码的知识来理解世界。这个项目就是众所周知的知识库。这样程度的项目不属于当代意义上的人工智能。现在普遍认为，自行获取知识的能力是AI系统最基本的属性。  认识到AI系统需要自学习能力之后，将机器学习的思想引入AI系统。常见的机器学习算法逻辑回归和朴素贝叶斯算法取得了成功。机器学习算法在一些简单问题中的效果好，但是在复杂场景
10.13论文阅读
weixin_45409613的博客
10-13 1172
局部特征提取是计算机视觉中处理图像匹配和检索等关键任务的常用方法。大多数方法的核心理念是图像经历仿射变换，忽略了诸如非刚性形变等更复杂的效果。此外，针对非刚性对应的新兴工作仍然依赖于为刚性变换设计的特征点检测器，这由于检测器的局限性而限制了性能。我们提出了DALF（Deformation-Aware Local Features，可变形感知局部特征），一种新颖的可变形感知网络，用于联合检测和描述关键点，以处理匹配可变形表面的挑战性问题。所有网络组件通过特征融合方法协同工作，确保描述子的独特性和不变性。
12、论文阅读：利用生成对抗网络实现无监督深度图像增强
最新发布
DQHNB的博客
10-17 383
提高图像的美学质量是一个挑战，并且受到公众的广泛关注。为了解决这个问题，大多数现有算法基于监督学习方法，旨在为成对数据学习一个自动照片增强器，该数据由低质量照片及其对应的专家修饰版本组成。然而，专家修饰的照片的风格和特征可能无法满足普通用户的需求或偏好。本文提出了一种无监督图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有期望特征的图像中学习相应的图像到图像映射，而不是依赖于大量的成对图像。所提出的模型基于单一深度GAN，嵌入了调制和注意力机制，以捕捉更丰富的全局和局部特征。
[论文阅读]SCOTT: Self-Consistent Chain-of-Thought Distillation
m0_52911108的博客
10-13 874
尽管思维链 CoT 可以显著提高性能，但这种收益仅在足够大的 LMs 中才能观察到。更令人担忧的是，几乎无法保证生成的理由与 LM 的预测一致或忠实地证明决策的合理性。在这项工作中，我们提出了 SCOTT，这是一种忠实的知识蒸馏方法，用于从规模大几个数量级的教师模型中学习一个小型、自洽的 CoT 模型。为了形成更好的监督，我们通过对比解码从大型 LM（教师）中引出支持黄金答案的理由，这鼓励教师生成仅在考虑答案时才更合理的标记。
[论文阅读] MoAI: Mixture of All Intelligence for Large Language and Vision Models
moment8aVry的博客
10-12 968
研究问题：这篇论文提出的研究问题在于现有的大型语言和视觉模型（LLVMs）在处理视觉语言（VL）任务时，往往忽视了专门计算机视觉（CV）模型在视觉感知任务中的详细和全面的真实世界场景理解能力。这些视觉感知任务包括图像分割、目标检测、场景图生成（SGG）和光学字符识别（OCR）。现有的LLVMs主要依赖于其大型语言模型（LLM）主干的巨大容量和涌现能力，而不是利用这些专门的CV模型的输出。
论文笔记：Template-Based Named Entity Recognition Using BART
Daisymanman的博客
10-12 1378
提示学习
【论文笔记】Fine-tuned CLIP Models are Efficient Video Learners
小嗷犬的博客
10-14 888
大规模的图像-文本对多模态训练赋予了CLIP模型强大的泛化能力。由于在类似规模上对视频进行训练不可行，最近的方法集中于有效地将基于图像的CLIP迁移到视频领域。在此追求中，添加了新的参数模块来学习时间信息和帧间关系，这需要细致的设计努力。此外，当在视频上学习得到的模型时，它们往往在给定的任务分布上过度拟合，且在泛化方面存在不足。这引发了一个问题：如何有效地将图像级别的CLIP表示迁移到视频中？
【论文阅读】Detach and unite: A simple meta-transfer for few-shot learning
cainiaomyf的博客
10-17 277
小样本学习（Few-shot Learning, FSL）是一个具有挑战性的问题，旨在从有限的示例中学习并进行泛化。最近的研究采用了元学习和迁移学习策略的结合来解决 FSL 任务。这些方法执行预训练，并将学到的知识转移到元学习中。然而，这种迁移模式是否适当尚不明确，且这两种学习策略的目标尚未得到充分探讨。此外，FSL 中元学习的推理依赖于样本关系，而这些关系需要进一步考虑。在本文中，我们揭示了预训练与元学习策略之间一个被忽视的学习目标差异，并提出了一种简单但有效的小样本分类任务学习范式。
论文笔记：PTR: Prompt Tuning with Rules for Text Classification
Daisymanman的博客
10-12 1741
提示学习
论文阅读（十六）：Deep Residual Learning for Image Recognition
悟兰因的博客
10-16 804
在ResNet网络提出之前，传统的卷积神经网络都是通过将一系列卷积层与下采样层进行堆叠得到的。梯度消失/梯度爆炸。退化问题。1.梯度消失/梯度爆炸：可通过数据预处理及在网络中使用BatchNormalizationBatch\;BatchNormalization来解决。2.退化问题（随着网络层数的加深，效果会变差，如上图所示）：本文提出了残差结构（ResidualBlockResidual\;
llava论文阅读
谁怕平生太急
10-11 814
我们首次尝试仅使用语言模型GPT-4来生成多模态的语言-图像指令跟随数据。通过在生成的数据上进行指令微调，我们引入了LLaVA（Large Language and Vision Assistant）：一个端到端训练的大型多模态模型，它将视觉编码器与LLM（Large Language Model）连接起来，用于通用的视觉和语言理解。构建了两个评价基准。llava的效果：在一个合成的多模态指令遵循数据集上相对于GPT-4获得了85.1%的相对分数。
论文阅读 BLIP-2
谁怕平生太急
10-11 1108
使用冻结的图像编码器和大型语言模型进行语言-图像预训练的BLIP-2 通过一个轻量级的查询变换器弥合了模态之间的差距。第一阶段通过冻结的图像编码器视觉-语言表示学习。第二阶段通过一个冻结的语言模型从视觉到语言的生成学习。
论文笔记 ICLR 2024 MogaNet: Multi-Order Gated Aggregation Network
985小菜鸡
10-14 363
然后是的输出可以作为的输入。这种设计符合MogaNet的整体结构逻辑，即先通过Moga Block进行空间维度和上下文特征的多阶交互聚合，再通过CA Block在通道维度上进行自适应的特征重新分配和聚合。
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