机构名称：
¥ 1.0
由于其内在特性，DNA分子通常沿线性序列表示表现出远距离相互作用。因此，当建模DNA序列对于获得更准确的基于序列的推断很重要。最近为此目的开发了许多深度学习方法，但它们仍然遭受两个主要问题的困扰。首先，现有的方法只能handle短DNA片段，从而失去更长的范围相互作用。第二，当前方法需要大量的监督标签，同时错过序列中的大多数订单信息。因此，有必要开发有效的深度神经网络建模框架，以提取广泛的上下文信息，以实现基于序列的推理任务。我们的新框架（名为Revolution）将完整的DNA序列作为输入，无需任何凝结，可以对高达10KBP的DNA序列进行准确的预测。在变异效应预测中，我们的方法平均在49种人体组织中增加了接收器工作特征（AUROC）下的面积19.61％。革命还通过预测开放染色质区域（OCR）的平均为2.36％的AUROC来提高植物序列的作用。可以在https：// github上自由访问数据，模型和代码。com/wiedersehne/Revolution-dnapretraining。
使用圆形扩张卷积网络的DNA序列的自我监督学习
主要关键词
相关文件推荐
