当前,AI大模型逐渐被应用于蛋白质科学和生物信息学中,但其复杂性常常使人们无法解释神经网络如何从复杂的生物数据中提取和理解关键特征.为了理解这类计算模型如何拥有推断生物大分子的结构、功能和相互作用的能力,在前人关于预测治疗...当前,AI大模型逐渐被应用于蛋白质科学和生物信息学中,但其复杂性常常使人们无法解释神经网络如何从复杂的生物数据中提取和理解关键特征.为了理解这类计算模型如何拥有推断生物大分子的结构、功能和相互作用的能力,在前人关于预测治疗性抗体结合特异性的研究基础上进一步拓展,提出了基于通道注意力机制可解释的残差卷积神经网络.该网络能够有效预测具有不同氨基酸序列的抗体特异性结合概率,网络交叉验证的AUC(Area under Curve)达到0.943,与传统方法相比有显著提高.其次,通过非线性变换和积分梯度的方法获得各位点对于结合能力的贡献,从而推断出抗体序列的残基分布模式.提出的方法可以获得氨基酸序列背后潜在的信息,也能显著减小特异性抗体预测未知的突变空间,证明该网络不仅性能更优,对于理解复杂的神经网络背后的逻辑也有所帮助.展开更多
鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对...鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。展开更多
文摘当前,AI大模型逐渐被应用于蛋白质科学和生物信息学中,但其复杂性常常使人们无法解释神经网络如何从复杂的生物数据中提取和理解关键特征.为了理解这类计算模型如何拥有推断生物大分子的结构、功能和相互作用的能力,在前人关于预测治疗性抗体结合特异性的研究基础上进一步拓展,提出了基于通道注意力机制可解释的残差卷积神经网络.该网络能够有效预测具有不同氨基酸序列的抗体特异性结合概率,网络交叉验证的AUC(Area under Curve)达到0.943,与传统方法相比有显著提高.其次,通过非线性变换和积分梯度的方法获得各位点对于结合能力的贡献,从而推断出抗体序列的残基分布模式.提出的方法可以获得氨基酸序列背后潜在的信息,也能显著减小特异性抗体预测未知的突变空间,证明该网络不仅性能更优,对于理解复杂的神经网络背后的逻辑也有所帮助.
文摘鲁棒主成分分析(robust principal component analysis,RPCA)是视频显著性检测中的常用算法,但其参数需要手动调试且针对不同视频需重新选择,导致效率较低。为解决这一问题,提出一种可学习鲁棒主成分分析深度网络(LNRPCA)模型,以减少对参数的依赖。通过设计参数化的阈值函数和展开主成分追踪算法构建深度网络框架,采用反向传播和损失函数最小化实现参数的端到端学习。在多个视频数据集上进行检测实验,结果表明:LNRPCA在视觉效果和F-measure值(平均为0.7895)方面均优于对比算法,相比TNN算法提高9.89%;在计算时间上表现出更高的效率和优越性。
