相关实验视频
Updated: Jun 30, 2025

Using SCOPE to Identify Potential Regulatory Motifs in Coregulated Genes
Published on: May 31, 2011
GNNMF:一个多视图图形神经网络用于ATAC-seq动机发现
Shuangquan Zhang1, Xiaotian Wu2, Zhichao Lian3
1School of Cyber Science and Engineering, Nanjing University of Science and Technology, Nanjing, 210094, China.
一个新的图形神经网络模型,GNNMF,有效地识别了使用测序 (ATAC-seq) 数据从转化酶可访问染色体的测试中多个转录因子结合点 (TFBS). 该模型通过检测不同长度的图案,克服了以前方法的局限性,提高了TFBS预测准确度.
科学领域:
- 基因组学和生物信息学
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- 使用测序 (ATAC-seq) 进行转化酶可访问染色体的测试,确定开放的染色体和多重转录因子结合位 (TFBS).
- 深度学习,特别是卷积神经网络 (CNN),已被用于在ATAC-seq数据中找到动机,但仅限于固定动机长度.
- 图形神经网络 (GNN) 提供了寻找不同长度的ATAC-seq动机的潜力,但现有的模型忽视了序列关系,需要参数优化.
研究的目的:
- 开发一种新的GNN模型,GNNMF,用于识别不同长度的多个ATAC-seq图案.
- 使用ATAC-seq数据提高TFBS预测的准确性和范围.
- 解决现有DL模型在从ATAC-seq数据中发现模式方面的局限性.
主要方法:
- 开发了GNNMF,这是一个新的GNN模型,将GNN与背景共存概率集成在一起.
- 使用ATAC-seq序列构建了一个多视图异质图.
- 利用背景共存的概率和代损失用于动机发现和参数优化.
主要成果:
- 在人类和老鼠数据集上,GNNMF表现得更好,在八个指标上,雷达得分分别增加了4.92%和6.81%.
- 与现有方法相比,该模型成功识别了更多的ATAC-seq动机.
- 在TFBS预测和ATAC-seq动机发现方面,GNNMF取得了卓越的表现.
结论:
- GNNMF是一种新且有效的模型,用于找到不同长度的多个ATAC-seq图案.
- 开发的模型增强了TFBS预测准确性和动机发现能力.
- 对ATAC-seq动机分析的现有方法来说,GNNMF是一个显著的改进.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
06:24Multiplexed Analysis of Retinal Gene Expression and Chromatin Accessibility Using scRNA-Seq and scATAC-Seq
Published on: March 12, 2021
相关概念视频
Multi-species Conserved Sequences
Although the genome of each species varies greatly from each other, a few sequences are highly conserved. Such conserved...
Nucleic Acid Structure
DNA Structure
DNA...
RNA-seq
Before the discovery of RNA-seq, microarray-based methods and Sanger sequencing were used for transcriptome analysis. However, while...
Protein Networks