基因組密碼被解鎖:深度學習模型破解非編碼區奧秘
人類基因組中超98%的遺傳變異位于非編碼區,這些變異通過調控染色質可及性、三維構象、剪接加工等多種分子機制影響基因表達,最終導致疾病發生。由于調控機制的復雜性和細胞類型特異性,目前解讀非編碼變異的分子效應仍是重大挑戰。現有深度學習模型在預測功能基因組特征時,往往在輸入序列長度與預測分辨率之間難以兼顧,同時在多模態預測方面也存在局限性,這極大地制約了人們對基因組調控密碼的理解。近日,谷歌DeepMind公司推出一種深度學習模型——AlphaGenome,能夠更全面、更準確地預測人類DNA序列中的單個變異如何影響基因調控的廣泛生物過程。AlphaGenome可分析多達100萬個DNA堿基對,以單堿基分辨率預測與調控活動相關的數千種分子特性;并通過比較突變序列和未突變序列之間的預測結果,來評估基因變異的影響。在超20項基準測試中,該模型表現優異、達到或超過了現有最強外部模型的性能,為科研人員提供了從序列進行基因組軌跡和變異效應預測的工......閱讀全文
基因組密碼被解鎖:深度學習模型破解非編碼區奧秘
人類基因組中超98%的遺傳變異位于非編碼區,這些變異通過調控染色質可及性、三維構象、剪接加工等多種分子機制影響基因表達,最終導致疾病發生。由于調控機制的復雜性和細胞類型特異性,目前解讀非編碼變異的分子效應仍是重大挑戰。現有深度學習模型在預測功能基因組特征時,往往在輸入序列長度與預測分辨率之間難以兼顧
深度學習模型成功識別胚胎發育過程
英國普利茅斯大學牽頭的研究表明,一種新的深度學習人工智能(AI)模型可通過視頻,識別出胚胎發育過程中發生的事件及其發生時間。29日發表在《實驗生物學雜志》上的論文,重點介紹了這種名為“Dev-ResNet”的模型,它能識別出動物胚胎中何時發育出了關鍵功能,包括其心臟功能、孵化、爬行,甚至死亡。
深度學習模型成功識別胚胎發育過程
英國普利茅斯大學牽頭的研究表明,一種新的深度學習人工智能(AI)模型可通過視頻,識別出胚胎發育過程中發生的事件及其發生時間。29日發表在《實驗生物學雜志》上的論文,重點介紹了這種名為“Dev-ResNet”的模型,它能識別出動物胚胎中何時發育出了關鍵功能,包括其心臟功能、孵化、爬行,甚至死亡。普利茅
深度學習模型篩查新藥快千倍
據美國麻省理工學院(MIT)官網12日報道,該校科學家開發出一款名為EquiBind的幾何深度學習模型,其將類藥物分子與蛋白配對的效率比現有最快的計算分子配對模型QuickVina2-W快1200倍。相關研究已經提交預印本服務器,并將提交給國際機器學習大會。 在藥物開發之前,研究人員必須找到有潛
深度學習模型篩查新藥快千倍
據美國麻省理工學院(MIT)官網12日報道,該校科學家開發出一款名為EquiBind的幾何深度學習模型,其將類藥物分子與蛋白配對的效率比現有最快的計算分子配對模型QuickVina2-W快1200倍。相關研究已經提交預印本服務器,并將提交給國際機器學習大會。 在藥物開發之前,研究人員必須找到有
2016值得關注的技術:基因組分析深度學習
《Nature Methods》盤點2015年度技術,選出了最受關注的技術成果:單粒子低溫電子顯微鏡(cryo-EM)技術。 除此之外,也整理出了2016年最值得關注的幾項技術,分別為:細胞內蛋白標記(Protein labeling in cells)、細胞核結構(Unraveling nuc
深度學習模型準確評估不同產區天麻的質量差異
近日,云南省農業科學院藥用植物研究所研究員王元忠聯合云南省昭通學院教授劉鴻高、云南農業大學李杰慶在《食品化學》(Food chemistry)發表最新研究論文,提出基于近紅外(NIR)光譜技術的天麻地理溯源模型理論。該理論可為不同產區中藥地理可追溯性提供借鑒和理論基礎。天麻塊莖。云南農科院供圖該研究
谷歌-DeepMind-推出-AlphaGenome:AI-破解-40-億年-DNA-密碼,開啟基因組研究新紀元
基因組,宛如生命的藍圖,藏在我們每一個細胞之中。 這套完整的DNA指令集,主導著生命體從外觀功能到生長繁殖的幾乎每一個方面,甚至是對疾病抵御的能力。 2003年 ,人類基因組測序完成,讓人類首次窺見了DNA的全貌。 然而,如何破譯這些指令,一個微小DNA變異如何改變生命軌跡,至今仍是生物學
基于深度學習的全基因組選擇新方法誕生
近日,中國農業科學院作物科學研究所、三亞南繁研究院大數據智能設計育種創新團隊聯合多家單位提出利用植物海量多組學數據進行全基因組預測的深度學習方法, 可以實現育種大數據的高效整合與利用,將助力深度學習在全基因組選擇中的應用,為智能設計育種及平臺構建提供有效工具。相關研究成果發表在《分子植物》(Mole
我所開發出新型深度學習模型應用于電池壽命預測
近日,我所能源催化轉化全國重點實驗室動力電池與系統研究部(DNL29)陳忠偉院士、毛治宇副研究員團隊,聯合西安交通大學馮江濤教授,在電池健康管理領域取得新進展。合作團隊開發了一種新型的深度學習模型,有效地解決了傳統方法對大量充電測試數據的依賴,為電池實時壽命預估提供了新的思路,實現了鋰電池壽命的端到
AI偵探敲碎深度學習黑箱
研究人員創建了能填補照片空白的神經網絡,以鑒別人工智能瑕疵。 Jason Yosinski坐在美國加州舊金山的一個小型玻璃辦公室內,陷入了對人工智能的沉思。作為優步公司的研究科學家,Yosinski正為在筆記本電腦上運行的人工智能(AI)進行“腦外科手術”。 很多AI將改變人類現代生活,例如
深度學習算法“解密”腦活動
英國《自然·醫學》雜志9月25日在線發表的一項研究,報告了一種可以分析四肢癱瘓患者大腦活動的深度學習算法。該算法已被用于向患者的前臂肌肉傳遞電刺激,從而恢復癱瘓肢體的功能性運動。 慢性癱瘓患者的生活質量可以通過腦機接口加以改善。腦機接口可以將控制運動的中樞神經系統回路和輔助設備(例如計算機光標
DeepMind全新基因組“圖譜”繪制90億個人類基因突變的影響
人類基因組很容易讓人迷失——在其30億個“字母”中,只有2%編碼蛋白質,其余部分則難以破譯。9月8日,美國谷歌公司旗下“深層思維”(DeepMind)公司發布了一份由人工智能(AI)生成的“人類基因組圖譜”,旨在為科學家解讀生物密碼導航。人類基因組中最常見的變異類型之一是單個核苷酸(即“字母”)的改
機器學習模型預測中風?
中風的診斷可能很棘手,因為患者并不總是表現出典型的癥狀,而且其他疾病也可能模仿它。研究人員利用現有數據開發了一種機器學習模型,可以準確預測中風,并可能使診斷變得更容易。診斷錯誤是一個主要的公共衛生問題,造成了可預防的病人傷害和衛生超支。由于診斷錯誤而導致的可預防的中風死亡比誤診的心臟病發作要常見30
Deep-Genomics:融資1670萬美元,它將深度學習帶到基因組學
基因組學正在探索DNA變異如何影響特定疾病,使用機器深度學習對DNA和細胞中關鍵分子的關系進行建模,從而讓基因組學的研究更有效。 在用深度學習研究基因組學的時代,Deep Genomics推開了第一扇窗。Deep Genomics,即“Deep Learning + Genomics”,是
TPU將成深度學習的未來?(二)
能夠進行數據推理的第二代TPU第一代的TPU只能用于深度學習的第一階段,而新版則能讓神經網絡對數據做出推論。谷歌大腦研究團隊主管Jeff Dean表示:“我預計我們將更多的使用這些TPU來進行人工智能培訓,讓我們的實驗周期變得更加快速。”“在設計第一代TPU產品的時候,我們已經建立了一個相對
TPU將成深度學習的未來?(一)
在Google I/O 2016的主題演講進入尾聲時,谷歌的CEO皮采提到了一項他們這段時間在AI和機器學習上取得的成果,一款叫做Tensor Processing Unit(張量處理單元)的處理器,簡稱TPU。在這個月看來,第一代的TPU處理器已經過時。在昨天凌晨舉行的谷歌I/O 2017
深度學習算法準確追蹤動物運動
根據英國《自然·神經科學》雜志8月21日在線發表的一項研究,美國哈佛大學團隊運用一種新型深度學習算法,成功追蹤動物運動及行為,其準確度可達到人工水平,而且無需采用追蹤標記物或進行費時的手動分析。專家認為,這一成果打開了海量的數據來源之門。 準確追蹤行為發生期間的身體運動部位是運動科學的一項重要
深度學習協助預測厄爾尼諾-|《自然》論文
《自然》發表的一篇論文Deep learning for multi-year ENSO forecasts報道了一種可以提前一年半預測厄爾尼諾事件的深度學習方法,克服了該領域內長期存在的一項挑戰。用來預測厄爾尼諾現象的CNN預測系統來源: Ham et al. 厄爾尼諾事件發生于太平洋東部和
一種基于半監督學習的深度狀態空間模型在植物生長建...
一種基于半監督學習的深度狀態空間模型在植物生長建模中的應用研究培育優質高產的作物一直是科學家們追求的目標,人們通過一系列先進的栽培技術來實現此目標。比如對于番茄的培育,由于干旱脅迫有利于番茄的糖分積累,所以人們可以運用精準灌溉技術來控制水分的供給量從而優化番茄果實品質,然而這項技術并沒有在農田實踐中
DeepMind新圖譜能否破解基因病之謎?90億變異一次查
地圖長久以來幫助人類在陌生地形中導航;而如今,谷歌DeepMind推出的一部新圖譜,意在更好地繪制我們生物學的地形——人類基因組。本周二,該公司發布了AlphaGenome Atlas,一個記錄了人類基因組中多達90億個單點變異可能效應的數據庫,其體量之巨,足以覆蓋絕大多數已知與潛在的人類遺傳差異
新光學芯片可實現高效“深度學習”
美國麻省理工學院(MIT)科學家在12日出版的《自然·光學》雜志上發表論文稱,他們開發出一種全新的光學神經網絡系統,能執行高度復雜的運算,從而大大提高“深度學習”系統的運算速度和效率。 “深度學習”系統通過人工神經網絡模擬人腦的學習能力,現已成為計算機領域的研究熱門。但由于在模擬神經網絡任務中
深度學習復興:向人工智能邁進
它是未來的一部分,我們才剛剛開始。圖片來源:BRUCE ROLFF 3年前,美國加利福尼亞州山景城神秘的谷歌X實驗室的研究人員從YouTube視頻中提取了1000萬個靜態圖像,并將其輸入“谷歌大腦”——由1000臺計算機構成的網絡,從而試圖像一個蹣跚學步的孩子一樣吸收這個世界的信息。經過3
人工智能進入“深度學習+”階段
雖然從底層技術看,ChatGPT并不算創新,但其社會影響遠遠超出了預期。這款由美國人工智能公司OpenAI開發的聊天機器人,2022年11月推出后火遍全球,成為史上增長最快的消費者應用程序。 讓機器和真人自由對話,一直是人工智能領域的重要目標之一。ChatGPT的爆火背后,其實是深度學習技術的
新光學芯片可實現高效“深度學習”
美國麻省理工學院(MIT)科學家在12日出版的《自然·光學》雜志上發表論文稱,他們開發出一種全新的光學神經網絡系統,能執行高度復雜的運算,從而大大提高“深度學習”系統的運算速度和效率。 “深度學習”系統通過人工神經網絡模擬人腦的學習能力,現已成為計算機領域的研究熱門。但由于在模擬神經網絡任務中
科學家找到深度學習基因組學應用的一頂“黑帽子”
研究人員首次將深度學習與貝葉斯假設檢驗結合,利用深度學習強化RNA可變剪接分析的準確性。 在生命科研領域,常有人說深度學習的基因組學應用好比是“一個盲人在一間黑暗的房子里尋找一頂并不存在的黑色帽子”。言下之意,是遺憾深度學習的基因組學應用并沒有給人們帶來太多驚喜。不過,近日賓夕法尼亞大學和費
基于深度學習的化纖外觀缺陷語義分割
摘要: 針對化纖外觀缺陷檢測使用基于深度學習的語義分割方法,總結了自2014年以來基于深度學習的典型語義分割方法,并在此基礎上應用到化纖外觀檢測項目上,取得了不錯的效果。 01 化纖外觀缺陷檢測背景 化纖作為紡織制造的原料,由化纖生產企業進入下游紡織企業前會收卷形成絲餅,但在絲餅
人臉檢測發展:從VJ到深度學習(五)
在過去十幾年的探索過程中,涌現出的特征不勝枚舉,這里只選取了部分比較有代表性和反映了人們探索思路的特征進行舉例。這里所有列舉的特征都有一個共同的特點:都由科研工作者根據自己的經驗手工設計,這些特征的設計反映了人們對問題的理解和思考。雖然隨著不斷的改進,設計出的特征已經日臻完善,但直到現在
人臉檢測發展:從VJ到深度學習(六)
還有一種比較典型的結構是樹形的級聯結構,從形狀上來看其和金字塔式的級聯結構是一樣的,也是從上往下分類器的數目逐層增多,區別就在于樹形的級聯結構中沒有同一層分類器之間的橫向連接,只有相鄰層分類器之間的縱向連接,即一個窗口在同一層上不會由多個分類器進行分類,而會直接被送往下一層或者被排除。樹
深度學習在雷達中的研究綜述(二)
其中,?J(w,b)?為對應自編碼器代價函數,?β?為控制系數性懲罰因子權重。2.3 DBN基本原理DBN是一個概率生成模型,其建立一個觀測數據與標簽之間的聯合分布。并且DBN由多個受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)組成,典型的DBN結構如圖4所示。