基因组密码被解锁：深度学习模型破解非编码区奥秘
人类基因组中超98%的遗传变异位于非编码区，这些变异通过调控染色质可及性、三维构象、剪接加工等多种分子机制影响基因表达，最终导致疾病发生。由于调控机制的复杂性和细胞类型特异性，目前解读非编码变异的分子效应仍是重大挑战。现有深度学习模型在预测功能基因组特征时，往往在输入序列长度与预测分辨率之间难以兼顾，同时在多模态预测方面也存在局限性，这极大地制约了人们对基因组调控密码的理解。近日，谷歌DeepMind公司推出一种深度学习模型——AlphaGenome，能够更全面、更准确地预测人类DNA序列中的单个变异如何影响基因调控的广泛生物过程。AlphaGenome可分析多达100万个DNA碱基对，以单碱基分辨率预测与调控活动相关的数千种分子特性；并通过比较突变序列和未突变序列之间的预测结果，来评估基因变异的影响。在超20项基准测试中，该模型表现优异、达到或超过了现有最强外部模型的性能，为科研人员提供了从序列进行基因组轨迹和变异效应预测的工......阅读全文
基因组密码被解锁：深度学习模型破解非编码区奥秘
人类基因组中超98%的遗传变异位于非编码区，这些变异通过调控染色质可及性、三维构象、剪接加工等多种分子机制影响基因表达，最终导致疾病发生。由于调控机制的复杂性和细胞类型特异性，目前解读非编码变异的分子效应仍是重大挑战。现有深度学习模型在预测功能基因组特征时，往往在输入序列长度与预测分辨率之间难以兼顾
深度学习模型成功识别胚胎发育过程
英国普利茅斯大学牵头的研究表明，一种新的深度学习人工智能（AI）模型可通过视频，识别出胚胎发育过程中发生的事件及其发生时间。29日发表在《实验生物学杂志》上的论文，重点介绍了这种名为“Dev-ResNet”的模型，它能识别出动物胚胎中何时发育出了关键功能，包括其心脏功能、孵化、爬行，甚至死亡。普利茅
深度学习模型成功识别胚胎发育过程
英国普利茅斯大学牵头的研究表明，一种新的深度学习人工智能（AI）模型可通过视频，识别出胚胎发育过程中发生的事件及其发生时间。29日发表在《实验生物学杂志》上的论文，重点介绍了这种名为“Dev-ResNet”的模型，它能识别出动物胚胎中何时发育出了关键功能，包括其心脏功能、孵化、爬行，甚至死亡。
深度学习模型筛查新药快千倍
据美国麻省理工学院（MIT）官网12日报道，该校科学家开发出一款名为EquiBind的几何深度学习模型，其将类药物分子与蛋白配对的效率比现有最快的计算分子配对模型QuickVina2-W快1200倍。相关研究已经提交预印本服务器，并将提交给国际机器学习大会。 在药物开发之前，研究人员必须找到有
深度学习模型筛查新药快千倍
据美国麻省理工学院（MIT）官网12日报道，该校科学家开发出一款名为EquiBind的几何深度学习模型，其将类药物分子与蛋白配对的效率比现有最快的计算分子配对模型QuickVina2-W快1200倍。相关研究已经提交预印本服务器，并将提交给国际机器学习大会。 在药物开发之前，研究人员必须找到有潜
2016值得关注的技术：基因组分析深度学习
《Nature Methods》盘点2015年度技术，选出了最受关注的技术成果：单粒子低温电子显微镜（cryo-EM）技术。 除此之外，也整理出了2016年最值得关注的几项技术，分别为：细胞内蛋白标记（Protein labeling in cells）、细胞核结构（Unraveling nuc
深度学习模型准确评估不同产区天麻的质量差异
近日，云南省农业科学院药用植物研究所研究员王元忠联合云南省昭通学院教授刘鸿高、云南农业大学李杰庆在《食品化学》（Food chemistry）发表最新研究论文，提出基于近红外（NIR）光谱技术的天麻地理溯源模型理论。该理论可为不同产区中药地理可追溯性提供借鉴和理论基础。天麻块茎。云南农科院供图该研究
谷歌－DeepMind－推出－AlphaGenome：AI－破解－40－亿年－DNA－密码，开启基因组研究新纪元
基因组，宛如生命的蓝图，藏在我们每一个细胞之中。 这套完整的DNA指令集，主导着生命体从外观功能到生长繁殖的几乎每一个方面，甚至是对疾病抵御的能力。 2003年 ，人类基因组测序完成，让人类首次窥见了DNA的全貌。 然而，如何破译这些指令，一个微小DNA变异如何改变生命轨迹，至今仍是生物学
基于深度学习的全基因组选择新方法诞生
近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物》（Mole
我所开发出新型深度学习模型应用于电池寿命预测
近日，我所能源催化转化全国重点实验室动力电池与系统研究部（DNL29）陈忠伟院士、毛治宇副研究员团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。合作团队开发了一种新型的深度学习模型，有效地解决了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新的思路，实现了锂电池寿命的端到
AI侦探敲碎深度学习黑箱
研究人员创建了能填补照片空白的神经网络，以鉴别人工智能瑕疵。 Jason Yosinski坐在美国加州旧金山的一个小型玻璃办公室内，陷入了对人工智能的沉思。作为优步公司的研究科学家，Yosinski正为在笔记本电脑上运行的人工智能（AI）进行“脑外科手术”。 很多AI将改变人类现代生活，例如
深度学习算法“解密”脑活动
英国《自然·医学》杂志9月25日在线发表的一项研究，报告了一种可以分析四肢瘫痪患者大脑活动的深度学习算法。该算法已被用于向患者的前臂肌肉传递电刺激，从而恢复瘫痪肢体的功能性运动。 慢性瘫痪患者的生活质量可以通过脑机接口加以改善。脑机接口可以将控制运动的中枢神经系统回路和辅助设备（例如计算机光标
机器学习模型预测中风？
中风的诊断可能很棘手，因为患者并不总是表现出典型的症状，而且其他疾病也可能模仿它。研究人员利用现有数据开发了一种机器学习模型，可以准确预测中风，并可能使诊断变得更容易。诊断错误是一个主要的公共卫生问题，造成了可预防的病人伤害和卫生超支。由于诊断错误而导致的可预防的中风死亡比误诊的心脏病发作要常见30
Deep－Genomics：融资1670万美元，它将深度学习带到基因组学
基因组学正在探索DNA变异如何影响特定疾病，使用机器深度学习对DNA和细胞中关键分子的关系进行建模，从而让基因组学的研究更有效。 在用深度学习研究基因组学的时代，Deep Genomics推开了第一扇窗。Deep Genomics，即“Deep Learning + Genomics”，是
TPU将成深度学习的未来？（二）
能够进行数据推理的第二代TPU第一代的TPU只能用于深度学习的第一阶段，而新版则能让神经网络对数据做出推论。谷歌大脑研究团队主管Jeff Dean表示：“我预计我们将更多的使用这些TPU来进行人工智能培训，让我们的实验周期变得更加快速。”“在设计第一代TPU产品的时候，我们已经建立了一个相对
深度学习协助预测厄尔尼诺－|《自然》论文
《自然》发表的一篇论文Deep learning for multi-year ENSO forecasts报道了一种可以提前一年半预测厄尔尼诺事件的深度学习方法，克服了该领域内长期存在的一项挑战。用来预测厄尔尼诺现象的CNN预测系统来源: Ham et al. 厄尔尼诺事件发生于太平洋东部和
深度学习算法准确追踪动物运动
根据英国《自然·神经科学》杂志8月21日在线发表的一项研究，美国哈佛大学团队运用一种新型深度学习算法，成功追踪动物运动及行为，其准确度可达到人工水平，而且无需采用追踪标记物或进行费时的手动分析。专家认为，这一成果打开了海量的数据来源之门。 准确追踪行为发生期间的身体运动部位是运动科学的一项重要
TPU将成深度学习的未来？（一）
在Google I/O 2016的主题演讲进入尾声时，谷歌的CEO皮采提到了一项他们这段时间在AI和机器学习上取得的成果，一款叫做Tensor Processing Unit（张量处理单元）的处理器，简称TPU。在这个月看来，第一代的TPU处理器已经过时。在昨天凌晨举行的谷歌I/O 2017
一种基于半监督学习的深度状态空间模型在植物生长建...
一种基于半监督学习的深度状态空间模型在植物生长建模中的应用研究培育优质高产的作物一直是科学家们追求的目标，人们通过一系列先进的栽培技术来实现此目标。比如对于番茄的培育，由于干旱胁迫有利于番茄的糖分积累，所以人们可以运用精准灌溉技术来控制水分的供给量从而优化番茄果实品质，然而这项技术并没有在农田实践中
新光学芯片可实现高效“深度学习”
美国麻省理工学院（MIT）科学家在12日出版的《自然·光学》杂志上发表论文称，他们开发出一种全新的光学神经网络系统，能执行高度复杂的运算，从而大大提高“深度学习”系统的运算速度和效率。 “深度学习”系统通过人工神经网络模拟人脑的学习能力，现已成为计算机领域的研究热门。但由于在模拟神经网络任务中
深度学习复兴：向人工智能迈进
它是未来的一部分，我们才刚刚开始。图片来源：BRUCE ROLFF 3年前，美国加利福尼亚州山景城神秘的谷歌X实验室的研究人员从YouTube视频中提取了1000万个静态图像，并将其输入“谷歌大脑”——由1000台计算机构成的网络，从而试图像一个蹒跚学步的孩子一样吸收这个世界的信息。经过3
人工智能进入“深度学习+”阶段
虽然从底层技术看，ChatGPT并不算创新，但其社会影响远远超出了预期。这款由美国人工智能公司OpenAI开发的聊天机器人，2022年11月推出后火遍全球，成为史上增长最快的消费者应用程序。 让机器和真人自由对话，一直是人工智能领域的重要目标之一。ChatGPT的爆火背后，其实是深度学习技术的
新光学芯片可实现高效“深度学习”
美国麻省理工学院（MIT）科学家在12日出版的《自然·光学》杂志上发表论文称，他们开发出一种全新的光学神经网络系统，能执行高度复杂的运算，从而大大提高“深度学习”系统的运算速度和效率。 “深度学习”系统通过人工神经网络模拟人脑的学习能力，现已成为计算机领域的研究热门。但由于在模拟神经网络任务中
科学家找到深度学习基因组学应用的一顶“黑帽子”
研究人员首次将深度学习与贝叶斯假设检验结合，利用深度学习强化RNA可变剪接分析的准确性。 在生命科研领域，常有人说深度学习的基因组学应用好比是“一个盲人在一间黑暗的房子里寻找一顶并不存在的黑色帽子”。言下之意，是遗憾深度学习的基因组学应用并没有给人们带来太多惊喜。不过，近日宾夕法尼亚大学和费
人脸检测发展：从VJ到深度学习（二）
选好了窗口，我们开始对窗口中的图像区域进行观察，目的是收集证据——真相只有一个，我们要依靠证据来挖掘真相！在处理图像的过程中，这个收集证据的环节我们称之为特征提取，特征就是我们对图像内容的描述。由于机器看到的只是一堆数值，能够处理的也只有数值，因此对于图像所提取的特征具体表示出来就是一个
基于深度学习的化纤外观缺陷语义分割
摘要： 针对化纤外观缺陷检测使用基于深度学习的语义分割方法，总结了自2014年以来基于深度学习的典型语义分割方法，并在此基础上应用到化纤外观检测项目上，取得了不错的效果。 01 化纤外观缺陷检测背景 化纤作为纺织制造的原料，由化纤生产企业进入下游纺织企业前会收卷形成丝饼，但在丝饼
人脸检测发展：从VJ到深度学习（五）
在过去十几年的探索过程中，涌现出的特征不胜枚举，这里只选取了部分比较有代表性和反映了人们探索思路的特征进行举例。这里所有列举的特征都有一个共同的特点：都由科研工作者根据自己的经验手工设计，这些特征的设计反映了人们对问题的理解和思考。虽然随着不断的改进，设计出的特征已经日臻完善，但直到现在
人脸检测发展：从VJ到深度学习（六）
还有一种比较典型的结构是树形的级联结构，从形状上来看其和金字塔式的级联结构是一样的，也是从上往下分类器的数目逐层增多，区别就在于树形的级联结构中没有同一层分类器之间的横向连接，只有相邻层分类器之间的纵向连接，即一个窗口在同一层上不会由多个分类器进行分类，而会直接被送往下一层或者被排除。树
人脸检测发展：从VJ到深度学习（四）
造成人脸检测速度慢的根本原因还在于输入规模过大，动辄需要处理几十上百万的窗口，如果这样的输入规模是不可避免的，那么有没有可能在处理的过程中尽快降低输入规模呢？如果能够通过粗略地观察快速排除掉大部分窗口，只剩下少部分窗口需要进行仔细的判别，则总体的时间开销也会极大地降低。从这样的想法出发，
深度学习在雷达中的研究综述（二）
其中， J(w,b) 为对应自编码器代价函数， β 为控制系数性惩罚因子权重。2.3 DBN基本原理DBN是一个概率生成模型，其建立一个观测数据与标签之间的联合分布。并且DBN由多个受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)组成，典型的DBN结构如图4所示。