TripHLApan：基于三重编码矩阵和转移学习预测HLA分子结合肽的情况 在本文中，我们提出了TripHLApan，一个新的泛特异性预测模型，用于HLA分子肽结合预测。TripHLApan通过整合三重编码矩阵、BiGRU+Attention模型和转移学习策略，表现出强大的预测能力。综合评估表明，TripHLApan在不同测试环境下预测HLA-I和HLA-II肽结合的有效性。在最新的数据集中，HLA-I的预测能力得到了进一步证明。此外，我们表明TripHLApan在一个黑色素瘤患者的样本中具有很强的结合重组能力。总之，TripHLApan是预测HLA-I和HLA-II分子肽的结合的
文献精度：通过卷积神经网络改进新抗原的识别 APPM在大型质谱（MS）HLA-肽数据集上进行了训练，并用独立的MS基准进行了评估。结果显示，APPM在阳性预测值（PPV）方面优于免疫表位数据库（IEDB）推荐的方法（0.40 vs. 0.22），在结合这两种方法后，预测值将进一步提高（PPV=0.51）。我们进一步将我们的模型应用于预测来自共识驱动突变的新抗原，并确定了16000个具有 "驱动 "特征的推定新抗原。
Python报错：TypeError: ‘Accumulator‘ object is not subscriptable 出现报错TypeError‘Accumulator’objectisnotsubscriptable。经过修改，原因为在使用对象数组时，不要直接用’对象名.[i]',修改为‘对象名.data[i]’。在学习李沐老师的《动手学深度学习PyTorch版》的从零开始实现Softmax小结时出现此问题。metric=Accumulator(2)#设置两个累加器，累计正确的预测数和预测总数。定义了累加器类Accumulator，及类的对象数组。在‘n’个变量上累加。......
强化学习（一）---马尔科夫决策过程 一、马尔科夫过程 在一个时序过程中，如果 t + 1 时刻的状态仅取决于 t 时刻的状态 St 而与 t 时刻之前的任 何状态都无关时，则认为 t 时刻的状态 St 具有马尔科夫性 。若过程中的每一 个状态都具有马尔科夫性则这个过程具备马尔科夫性。具备了马尔科夫性的随机过程称为马尔科夫过程。通常使用元组<S,P>来描述马尔科夫过程。S为状态集，P为状态专业概率矩阵，其中元素的值为当前状态到下续任意可能状态的概率。状态转移序列叫状态序列也叫采样。状态序列的最后一个状态为终止...
关注
