基因表达相关 AI 资讯 · AI 热点

7月2日

10:04

10:04

官方账号arXiv cs.LG@Huichao Li, Tong Wang, Sanguo Zhang, Shuangge Ma

该论文提出一种多任务变换框架，通过未知单调变换处理不同类型的任务响应。在预测变量维度随样本量增长的高维生物学场景下，仅部分公共预测子有效，论文引入跨任务共享稀疏性。方法通过共享第一层的深度神经网络优化基于秩的平滑准则并施加group-Lasso惩罚。非渐近超额风险界和变量选择一致性得到理论证明。在基因表达数据（连续、二值、混合结果）上比现有方法预测更优，并识别出有生物学意义的共享预测子。

论文 Deep Multitask Learning 多任务学习共享稀疏性 group-Lasso 基因表达

推荐理由：这篇论文提出了一个解决多任务学习中不同任务类型结果不可比较问题的框架，使用了共享稀疏性和深度网络，理论扎实，还有基因数据实验，搞统计学习和生物信息的朋友可以看看。

6月1日

10:13

10:13

官方账号arXiv cs.LG@Kian Kenyon-Dean, Alina Selega, Ihab Bendidi, Jordan M. Sorokin, Luca Bertinetto, David Errington, Hayley Donnella, Oren Kraus

RNA测序数据在药物发现中有广泛应用，但现有转录组基础模型因技术噪声和批次效应表现不佳，甚至不如线性基线。研究者提出新自监督模型TxFM，采用掩码自编码方法处理多样RNA-seq计数数据，并通过消融实验确定关键架构配置。他们构建了公开训练语料DiverseRNA-1.4M，训练出的TxFM在基因表示上优于规模大100倍以上的图谱级模型。结果表明，结合精心设计的模型架构和训练数据，归纳式自监督学习是转录组表示学习的可行方法。

论文基因表达自监督学习掩码自编码转录组 TxFM

推荐理由：TxFM解决了转录组基础模型性能不佳的痛点，做药物发现和生物信息学的团队可以试试这个轻量级方案，效果优于大模型。