EvoAug-TF:将基因组深度学习的进化启发数据增强扩展到TensorFlow
Yiyang Yu1, Shivani Muthukumar2, Peter K Koo1
1Simons Center for Quantitative Biology, Cold Spring Harbor Laboratory, Cold Spring Harbor, NY 11724, United States.
EvoAug-TF通过将进化启发的数据增强扩展到TensorFlow模型来增强基因组学的深度神经网络 (DNN) 训练. 这使得非编码基因组功能预测能够得到更好的概括性和解释性,即使实验数据有限.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度神经网络 (DNN) 对于预测非编码基因组的分子功能至关重要.
- 功能性基因组学有限的实验数据阻碍了DNN培训.
- 像EvoAug这样的现有方法可以改善DNN,但仅限于PyTorch.
研究的目的:
- 将EvoAug以进化为灵感的数据增强功能扩展到基于TensorFlow的深度学习模型.
- 为了使高级DNN培训技术在基因组研究中得到更广泛的应用.
主要方法:
- 开发了EvoAug-TF软件包,将EvoAug调整为TensorFlow.
- 系统的基准测试比较EvoAug-TF性能与原来的EvoAug.
主要成果:
- EvoAug-TF成功地将EvoAug扩展到TensorFlow,支持更广泛的基因组DNN.
- 性能基准表明,EvoAug-TF实现了与原始EvoAug包相匹配的结果.
- 新的软件包有助于在基因组预测中提高概括性和可解释性.
结论:
- EvoAug-TF为TensorFlow用户在基因组学中的高级DNN增强技术提供了民主化.
- 该工具解决了功能基因组学的数据限制,改善了预测模型的性能.
- EvoAug-TF作为开源可用,促进了计算生物学研究中的可访问性和可重现性.
更多相关视频
15:00Daily Transfers, Archiving Populations, and Measuring Fitness in the Long-Term Evolution Experiment with Escherichia coli
Published on: August 18, 2023
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
Improving Translational Accuracy
Evolutionary Relationships through Genome Comparisons
Genome Size and the Evolution of New Genes
Gene Evolution - Fast or Slow?
Genomics
Extraction: Advanced Methods
