.png){kind=icon}
返回
Diff-SE: A Diffusion-Augmented Contrastive Learning Framework for Super-Enhancer Prediction
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c01005.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超增强子（Super-enhancers, SEs）是顺式调控元件，在基因表达中发挥关键作用，并涉及癌症和阿尔茨海默病等疾病。传统识别方法依赖于ChIP-seq实验，这些方法成本高昂且耗时。尽管近年来的计算方法利用序列特征进行SE预测，但它们通常存在严重的类别不平衡和跨物种泛化能力差的问题。为解决这些局限性，我们提出了Diff-SE，一种深度学习框架，该框架整合了基于扩散的数据增强与对比学习。扩散模块通过模拟SE的连续分布来生成具有生物学意义的合成阳性样本，有效平衡训练数据。随后采用对比学习策略，通过最大化类内相似性和类间分离性来增强特征表示。在八个数据集上的实验结果表明，Diff-SE始终优于基线模型，在精确率（PRE）、马修斯相关系数（MCC）和F1分数上实现了10%–30%的提升。此外，Diff-SE在人类和小鼠细胞系的跨物种验证中表现出更优异的泛化能力。代码和数据集可在https://github.com/15831959673/Diff-SE获取，以支持SE预测领域的进一步研究和应用。
Keyword:
super-enhancers
diffusion-based data augmentation
contrastive learning
deep learning
cross-species generalization
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
机构
引用论文
iRNA-ac4C: A novel computational method for effectively detecting N4-acetylcytidine sites in human mRNAiRNA-ac4C: 一种有效检测人mRNA N4-acetylcytidine位点的新计算方法
PREAI
分享收藏iPro54-PseKNC: a sequence-based predictor for identifying sigma-54 promoters in prokaryote with pseudo k-tuple nucleotide composition.png)
NUCLEIC ACIDS RESEARCH
OAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏DeepSE: Detecting super-enhancers among typical enhancers using only sequence feature embeddingsGENOMICSOAAI
GENOMICSIF3
OAAI分享收藏
分享收藏
查看更多内容