.png){kind=icon}
返回
Challenges in predicting chromatin accessibility differences between species
.png){kind=icon}
OA
AI
DOI：10.1093/nargab/lqag059.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物种间增强子活性的差异可能有助于驱动表型多样性，但增强子往往在序列快速进化的情况下仍具有保守功能，这给量化物种间功能差异带来了挑战。以往机器学习模型主要关注预测物种间增强子存在差异的二分类任务，但尚未展示预测增强子活性连续差异的能力。本研究中，我们训练卷积神经网络进行回归任务，以预测五种哺乳动物肝脏中的染色质可及性（作为增强子活性的代理指标），并开发了一种新型框架来评估跨物种性能。我们证明，在多个物种上进行训练可提高模型对训练物种和保留物种的泛化能力。然而，模型在预测同源区域物种间可及性的定量差异时表现一致较差。本研究强调了使用回归模型预测物种间染色质可及性变化的挑战。所有数据和代码可通过 http://daphne.compbio.cs.cmu.edu/files/azstephe/liver_regression_resource/ 和 https://figshare.com/projects/liverRegression/274293 获取。
期刊
N
IF:
2.8
论文数:
259
被引数:
0
机构
引用论文
Current approaches to genomic deep learning struggle to fully capture human genetic variation当前基因组深度学习的方法难以充分捕捉人类遗传变异。
PREAI
分享收藏Personal transcriptome variation is poorly explained by current genomic deep learning models目前的基因组深度学习模型很难解释个人转录组变异.png)
NATURE GENETICS
OAAI
NATURE GENETICSIF31.8
OAAI分享收藏Structural and functional aspects of the liver and liver sinusoidal cells in relation to colon carcinoma metastasis与结肠癌转移有关的肝和肝窦细胞的结构和功能方面OAAI
OAAI分享收藏分享收藏
查看更多内容