DeepCORE:一种可解释的多视图深度神经网络模型,用于检测合作性监管元素
Pramod Bharadwaj Chandrashekar1,2, Hai Chen3,4, Matthew Lee3
1Waisman Center, University of Wisconsin-Madison, Madison, WI 53705, USA.
我们开发了DeepCORE,这是一种新的深度学习方法,用于识别控制基因转录的合作性调节元件 (CORE). 通过分析遗传和表观遗传数据,DeepCORE准确地预测基因表达,并发现新的调节元素.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 基因转录对于细胞功能,特征和疾病至关重要,由相互作用元素的复杂网络调节.
- 了解这些合作性调节元件 (CORE) 是解读基因表达控制的关键.
研究的目的:
- 通过整合遗传,表观遗传和转录数据来开发一种新的深度学习方法来识别CORE.
- 准确预测基因表达并发现涉及转录的新型调节元素.
主要方法:
- 一个基于多视图注意力的深度神经网络,DeepCORE,被开发用于模拟不同生物数据类型之间的关系.
- DeepCORE使用解释器来提取注意力值,将它们映射到监管区域,并根据相关的注意力模式推断CORE.
主要成果:
- DeepCORE准确地预测了各种组织和细胞系的转录组,超过了现有的最先进的算法.
- 确定的CORE被显著丰富了已知的基因调节元素,如促进剂和增强剂.
- 由DeepCORE发现的新型调节元素表现出与基因组修饰模式一致的表观遗传特征.
结论:
- DeepCORE提供了一种强大的新方法来剖析复杂的基因调节网络.
- 该方法成功地识别了已知的和新的监管元素,进步了我们对转录控制的理解.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
相关概念视频
Cooperative Binding of Transcription Regulators
Regulation of Expression at Multiple Steps
Covalently Linked Protein Regulators
These groups modify specific amino acids in a protein....
Co-activators and Co-repressors
Regulation of Expression Occurs at Multiple Steps
Cis-regulatory Sequences
