![](https://img-blog.csdnimg.cn/20190927151026427.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文阅读
论文阅读
二丽莎白
这个作者很懒,什么都没留下…
展开
-
得分矩阵PAM与BLOSUM的比较与区别
对于蛋白质序列,计分矩阵主要用于记录在做序列比对时两个相对应的残基的相似度,一旦这个矩阵定义好了以后,比对程式就可以利用这个矩阵,尽量将相似的残基排在一起,以达到最好的比对。得分矩阵主要有两种,第一种就是PAM(Point Accepted Multation),另一种就是BLOSUM。1、PAM矩阵(Point Accepted Mutation)基于进化的点突变模型,如果两种氨基酸替换频繁,说明自然界接受这种替换,那么这对氨基酸替换得分就高。一个PAM就是一个进化的变异单位, 即1%的氨基酸改变,转载 2020-09-15 10:15:52 · 5882 阅读 · 0 评论 -
ACME_Pan-specific_peptide-MHC_class_I_binding_pred
开源项目:https://github.com/HYsxe/ACME问题:预测肽-MHC相互作用。为什么:与MHC分子结合的肽在肿瘤治疗疫苗的开发中起着至关重要的作用。以往对单个等位基因训练模型,泛特定算法也只是采用了简单的模型结构,表现有限。方法流程:本文提出新的泛特异性算法ACME。ACME首先将编码肽和MHC伪序列通过一个卷积层进行初始特征提取,然后将提取的特征映射发送到卷积模块和注意模块。卷积模块:MHC特征图经过0轮、1轮、2轮的最大汇集层、卷积操作后分别与肽特征图连接,再接完全连原创 2020-09-10 21:25:06 · 234 阅读 · 0 评论 -
2019-ICDM-CAMP: Co-Attention Memory Networks for Diagnosis Prediction in Healthcare
摘要基于RNN对序列EHR进行建模存在三个问题:1、 无法捕捉患者病情的细粒度发展模式2、 没有考虑患者人口统计数据和历史诊断的影响3、 RNN中隐藏的状态向量难以解释。本文提出CAMP模型,将历史诊断、细粒度状况、统计数据与共注意力紧密结合,模型通过一个关键值记忆网络扩充RNN,同时将疾病分类合并到记忆网络中,实现细粒度分析,实例化了记忆网络的读/写操作。关键值记忆网络是将不同类别的信息分别储存在不同的存储槽中,相比RNN有更长的记忆能力。CAMP模型主要有记忆增强序列编码器和基于共同注意原创 2020-07-14 08:29:37 · 422 阅读 · 0 评论 -
LSTM:A SearchSpace Odyssey
论文链接:http://www.jiqizhixin.com/wp-content/uploads/2015/11/5.-LSTM_-A-Search-Space-Odyssey-.pdf摘要 本文首次对语音识别、手写识别和复调音乐建模这三个具有代表性的任务中的八个LSTM变体进行了大规模分析。使用随机搜索对每个任务的所有LSTM变体的超参数分别进行优化,并使用FANOVA框架评估其重要性。我们总结了5400次实验运行(约15年的CPU时间)的结果。 我们的结果表明,没有一种变体能够显著改善标准L原创 2020-06-12 20:00:37 · 547 阅读 · 0 评论 -
(2017BIBM) Personalized disease prediction using a CNN-based similarity learning method
论文: https://ieeexplore.ieee.org/document/8217759以往都是使用整个训练数据来构建全局模型,本文是找到与所预测个体相似的群体,然后建立个性化模型来进行预测。文章主体两大部分:相似性学习,个性化预测。相似性学习1)Basic Notations: medical codes -->ICD-9 one-hot编码–>一维向量–>多次就诊向量按时间拼接–>二维矩阵水平维度对应于医疗事件,垂直维度对应于就诊。不同的病人,就诊次数不同,通原创 2020-05-31 19:38:10 · 274 阅读 · 0 评论