QTFPred:强大的高性能量子机器学习建模,可以预测主要和合作转录因子结合,具有基本分辨率
Taichi Matsubara1,2, Shuto Machida1,2, Samuel Papa Kwesi Owusu1
1Division of Biomedical Information Analysis, Medical Research Center for High Depth Omics, Medical Institute of Bioregulation, Kyushu University, Fukuoka 812-8582, Japan.
量子经典混合模型QTFPred能够准确地预测转录因子结合点,即使数据有限. 这种量子机器学习方法增强了基因组分析,超出了传统的深度学习方法.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 量子机器学习就是量子机器学习
背景情况:
- 深度学习对于识别转录因子 (TF) 结合部位至关重要.
- 传统方法面临的挑战是,针对特定TF的培训数据有限.
研究的目的:
- 介绍QTFPred,一个量子经典混合框架,用于基本分辨率TF绑定预测.
- 在TF绑定站点识别中解决数据稀缺问题.
主要方法:
- 将量子卷积层集成到神经网络中.
- 使用量子电路来实现指数级特征空间扩张.
- 使用GPU模拟来从头开始训练模型.
主要成果:
- 在数据稀疏的场景中实现强大的性能.
- 在49个ENCODE ChIP-seq数据集 (92%二进制,96%信号预测) 上提供最先进的准确性.
- 在精度和稳定性方面优于传统模型,揭示TF动机表示和合作绑定洞察力.
结论:
- 通过QTFPred,量子机器学习为基因组学建模提供了一个强大的解决方案.
- 在TF绑定预测中,QTFPred克服了传统深度学习的局限性.
- 该框架提供了有关TF约束机制和合作约束机制的见解.
更多相关视频
11:25Enhanced Yeast One-hybrid Screens To Identify Transcription Factor Binding To Human DNA Sequences
Published on: February 11, 2019
09:17Structure-Based Simulation and Sampling of Transcription Factor Protein Movements along DNA from Atomic-Scale Stepping to Coarse-Grained Diffusion
Published on: March 1, 2022
相关概念视频
Cooperative Binding of Transcription Regulators
Cooperative Binding of Transcription Regulators
General Transcription Factors
Conserved Binding Sites
Binding sites are often located in large pockets, and if their location on a protein’s surface is unknown, it can be predicted using various approaches. The energetic method computationally...
Conserved Binding Sites
Transcription Factors
