深度学习
文章平均质量分 92
ShenggengLin
这个作者很懒,什么都没留下…
展开
-
生物信息学|变分图自编码器
本篇推文引自:Variational Graph Auto-Encoders1. 图结构数据的隐变量模型: 本文提出了变分图自动编码器(VGAE),这是一种基于变分自动编码器(VAE)对图结构数据进行无监督学习的框架。这个模型利用潜在变量,能够学习无向图的可解释的潜在表示(见图1)。 我们使用一个图形卷积网络(GCN)编码器和一个简单的内积解码器来演示这个模型。我们的模型在引文网络的链接预测任务上取得了有竞争力的结果。与现有的基于图结构数据的无监督学习模型和链路预测模型相比,我们的模型可原创 2021-03-25 13:22:33 · 1206 阅读 · 0 评论 -
生物信息学|新颖的深度学习模型,更准确地预测药物-药物相互作用
本篇推文引自:Novel deep learning model for more accurate prediction of drug-drug interaction effects1. 摘要 背景:准确地预测药物-药物相互作用(DDIs)的影响对于更安全更有效的药物联合处方很重要。许多预测DDIs效应的计算方法已经被提出,目的是减少在体内或体外识别这些相互作用的难度,但预测性能仍有改进的空间。 结果:在本研究中,我们提出了一种新的深度学习模型来更准确地预测DDIs的效果。提出的模型原创 2021-03-25 13:22:09 · 2274 阅读 · 0 评论 -
生物信息学|MOLI:基于深度神经网络进行多组学数据整合并用于药物反应预测
本篇推文引自:MOLI: multi-omics late integration with deep neural networks for drug response prediction摘要 动机:从历史上看,基因表达被证明是预测药物反应的最有价值的数据。最近的证据表明,整合额外的组学可以提高预测的准确性,这就提出了如何整合额外的组学的问题。无论采用何种整合策略,临床效用和可转化性都是至关重要的。因此,我们推断多组学方法结合临床数据集将提高药物反应预测和临床相关性。 结果:提出了一种原创 2021-03-24 14:36:29 · 5321 阅读 · 1 评论 -
生物信息学|Attention Is All You Need
本篇推文引自:Attention Is All You Need摘要 主要的序列数据转导模型都是基于复杂的递归或卷积神经网络,其中包括一个编码器和一个解码器。我们提出了一种新的简单网络结构,Transformer,完全基于注意机制,避免了递归和卷积。在两个机器翻译任务上的实验表明,该模型具有更高的质量,同时具有更强的并行性和更少的训练时间。我们的模型在WMT 2014英德语翻译任务中达到28.4 BLEU,比现有的最佳结果(包括集成)提高了2倍以上。在WMT 2014英法翻译任务中,我们的模型在8原创 2021-03-24 14:32:46 · 334 阅读 · 0 评论