相关实验视频
Updated: Jan 25, 2026

A Web-Based Workflow for Selecting Gene- and Tissue-Specific Enhancers
Published on: July 18, 2025
基于转移学习的预测模型,用于区分超级增强剂和典型增强剂.
深度学习模型TransSE使用跨物种转移学习准确预测超级增强器 (SE). 这一框架增强了对基因调节和与疾病相关的变异的理解.
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:
- 超级增强剂 (SE) 对基因表达和细胞命运至关重要.
- 现有的SE识别计算方法缺乏准确性和跨物种通用性.
研究的目的:
- 开发TransSE,一个用于准确预测SE的深度学习框架.
- 在SE识别中提高跨物种的概括性.
- 为调查监管要素和与疾病相关的变异提供一个工具.
主要方法:
- TransSE将卷积和循环神经网络与跨物种转移学习相结合.
- 两阶段的策略包括对人类/小鼠数据的预训练和特定物种的微调.
- 模型的性能与现有方法相比,使用人类和小鼠数据集上的AUC指标进行了评估.
主要成果:
- 与SENet,DeepSE,DNABERT和Enformer相比,TransSE获得了更高的准确性 (AUC为0.828人,0.832小鼠).
- 除研究证实了卷积块,转移学习和反复层的重要性.
- 该模型证明了有效的跨物种预测 (AUC > 0.79),并将SE与典型增强剂区分开来.
结论:
- TransSE提供了一种强大而准确的SE预测方法,具有改进的跨物种能力.
- 该框架整合了保护和特定物种的监管特征,以提高性能.
- TransSE提供了一个用户友好的网络界面,用于自动化SE预测,动机分析和变异影响评估,帮助疾病相关变异研究.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
10:46Dissection of Enhancer Function Using Multiplex CRISPR-based Enhancer Interference in Cell Lines
Published on: June 2, 2018
相关概念视频
Self-Evaluation: Self-Enhancement and Self-Verification
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
Insensitive Nuclei Enhanced by Polarization Transfer (INEPT)
Bioavailability Enhancement: Drug Solubility Enhancement
Bioavailability Enhancement: Drug Permeability Enhancement
Bioavailability Enhancement: Drug Stability Enhancement and GI Retention