XiaoMi-AI文件搜索系统
World File Search SystemDeepSeq
DeepSeq2：利用解缠表征增强序贯电路学习
电路表征学习在电子设计自动化 (EDA) 中越来越重要，它通过提高模型效率和准确性为各种下游任务提供服务。一项值得注意的工作 DeepSeq 通过对时间相关性进行编码开创了顺序电路学习。然而，它存在重大限制，包括执行时间延长和架构效率低下。为了解决这些问题，我们引入了 DeepSeq2，这是一个增强顺序电路学习的新框架，通过创新地将其映射到三个不同的嵌入空间——结构、功能和顺序行为——从而允许更细致的表征来捕捉电路动态的固有复杂性。通过采用高效的有向无环图神经网络 (DAG-GNN) 来绕过 DeepSeq 中使用的递归传播，DeepSeq2 显著缩短了执行时间并提高了模型的可扩展性。此外，DeepSeq2 采用了独特的监督机制，可以更有效地捕捉电路内的过渡行为。 DeepSeq2 在序贯电路表示学习中树立了新的基准，在功率估计和可靠性分析方面的表现优于之前的研究。
单细胞长读全基因组测序揭示人类大脑中的体细胞转座子活性
MD，美国。4. DeepSeq，诺丁汉，英国。5. 乌普萨拉大学免疫学、遗传学和病理学系生命科学实验室，瑞典乌普萨拉。6. 莱斯大学计算机科学系，美国德克萨斯州休斯顿主街 6100 号。* 通讯作者；贡献相同摘要单细胞 DNA 测序的出现揭示了基因组变异的惊人动态，但未能表征在种系水平上具有深远影响的较小到中等尺寸的变异。在这项工作中，我们利用单细胞长读测序发现了三个大脑中的新动态。这为了解单个细胞基因组的动态提供了关键见解，并进一步强调了转座因子的大脑特定活动。主要单细胞全基因组扩增（WGA）使通常使用短读在低覆盖率 1 下进行的单细胞全基因组测序（scWGS）成为可能，它通常只能检测 Mb 级 CNV，尽管据报道识别了 > 50kbp 的 CNV 2 。无论如何，许多预期的变体（如 Alu 或 LINE 变体）都被遗漏了。这些转座因子 (TE) 家族是最丰富和活跃的转座子，总共占人类基因组的约 27% 3 ，并有助于健康神经元 4 和神经退行性疾病 5–7 的重组。同时，长读测序的出现使得准确检测 Alu 或其他转座子介导的突变成为可能 8 。最近有报道称，在液滴中使用等温多重置换扩增 (MDA) (dMDA) 进行 WGA 后，在 T 细胞上使用长读 scWGS (scWGS-LR) 来组装单个细胞的一个基因组。然而，它的成本很高，而且由于嵌合体和扩增子大小限制，完整性有限 9 。尽管如此，这为进一步探索类似的方法是否能为单细胞的基因组变异提供新的见解开辟了新领域。