【摘 要】
：
染色质交互作用是不同染色质间发生的交互现象,影响基因遗传调控等机制。染色质交互作用测量的人工实验成本很高精度很低,且难以在不同细胞类型间迁移使用。主要存在的问题包括:（1）基于组蛋白修饰数据和DNA序列预测染色质交互作用研究鲜少见于文献,目前染色质交互作用预测的相关性结果不高,组蛋白修饰样本缺少对空间位置、数据归一化等特征处理影响的研究,针对不同类型细胞染色质交互作用迁移预测方法不够完善难以推广;
论文部分内容阅读
染色质交互作用是不同染色质间发生的交互现象,影响基因遗传调控等机制。染色质交互作用测量的人工实验成本很高精度很低,且难以在不同细胞类型间迁移使用。主要存在的问题包括:（1）基于组蛋白修饰数据和DNA序列预测染色质交互作用研究鲜少见于文献,目前染色质交互作用预测的相关性结果不高,组蛋白修饰样本缺少对空间位置、数据归一化等特征处理影响的研究,针对不同类型细胞染色质交互作用迁移预测方法不够完善难以推广;（2）没有引入DNA序列计算其特征是否影响染色质交互作用预测结果,缺少针对多种数据特征有效融合的方法,现有模型难以迁移预测其他细胞类型的染色质交互作用;（3）高分辨率染色质交互作用数据的获取成本较高,缺少专门对染色质交互作用进行预测的功能较完备的工具。针对上述问题,本文提出基于多模态样本深度学习的染色质交互作用预测方法,主要贡献包括:（1）提出基于多模态样本的深度学习模型,对组蛋白修饰数据进行不同模态样本的提取,并探究基因距离、数据归一化对结果的影响,构建组蛋白修饰到染色质交互作用的特征关系映射模型,在IMR90细胞类型数据集上的实验结果表明,本文提出的模型在测试集中皮尔逊相关系数指标最高可达0.932。（2）提出基于组蛋白修饰与DNA序列融合的深层卷积网络模型,以及基于组蛋白修饰相关性矩阵与DNA序列数据融合的二维反卷积网络模型,探究DNA序列是否影响染色质交互作用预测过程,并解决迁移预测其他细胞类型染色质交互作用时,组蛋白种类不同导致输入不同问题。实验结果表明在IMR90细胞类型染色质数据集上,测试集的皮尔逊相关系数指标最高可达0.955,斯皮尔曼系数指标可达0.946,R2指标可达0.892。在此基础上,研究人类细胞类型共有组蛋白修饰信号对染色质交互作用预测的影响,完成对不同细胞类型的迁移预测,其在所有测试集预测实验中皮尔逊相关系数可达0.948以上。（3）设计基于组蛋白修饰信号预测染色质交互作用的系统原型Hi CPrediction1.0,可对IMR90、K562、NHEK、GM12878等细胞类型进行染色质交互作用预测与全流程分析,并按不同需求调整预测流程等。
其他文献
随着新兴信息技术的高速发展,数据存储的规模表现出前所未有的增长速度。大数据环境下的数据不仅仅表现出数据规模急剧膨胀,同时也呈现出数据质量低下、价值密度稀疏的鲜明特征。此外,数据随时间的推移产生得快,变化得快,折旧得也快,数据流已成为大数据环境中一种主流的数据存在形式。因此,对大数据的采集及分析应是一个不断优化、持续更新的增量优化过程。海量高维、动态低质的数据导致数据挖掘与知识发现算法所需要的计算代
人脸作为直接、可靠的生物特征,被广泛应用于信息安全、社会公共安全、虚拟现实和增强现实等领域。人脸特征点检测不仅是许多人脸分析任务中至关重要的预处理步骤,也是图形学和计算机视觉领域的一个基本问题。尽管过去十年中二维人脸图像特征点定位技术快速发展,但二维图像对光照等环境因素并不鲁棒,而三维人脸可以较好地弥补这些不足,因此三维人脸特征点定位吸引了越来越多的关注。现有三维人脸特征点定位方法主要基于脸部特征
脉冲神经网络模仿生物采用脉冲进行信息的传递与处理,是类脑计算的重要研究内容,相比于传统的人工神经网络,它具有更高的生物可解释性、更强大的计算能力和更低的能耗,能够更好地处理时空特征信息,并且,基于脉冲神经网络能够构建神经形态计算,突破现代计算机发展的瓶颈。然而,深度脉冲神经网络具有复杂的时空关系和脉冲不可微的特性,这些难点限制了反向传播在深度脉冲神经网络上的利用,导致其性能与传统人工神经网络仍有差
红外图像分辨率低和非均匀性噪声显著是红外图像复原研究中的重要问题。不同于传统算法设计,基于卷积神经网络的红外图像复原方法最大特点是提升复原能力并减少设计成本,使算法更智能化。然而,现有的基于卷积神经网络的单帧红外图像复原方法中,网络模型通常只具备单任务处理（去噪或超分辨率重建）能力,并且丰富的数据量需求以及大规模网络结构会给数据收集、模型训练和存储带来困难。针对这些问题和难点,本文重点开展以下研究
语义分割的任务是通过卷积神经网络预测输入图像所有像素点的类别标签,或理解为在像素层面进行的图像分割。目前,语义分割在单纯提升精度的研究工作已近瓶颈,同时也暴露出基于全卷积与监督学习下的语义分割模型的研究难点:1、标注数据成本问题。语义分割需要海量的标注数据作为精准分割的基础;2、计算资源问题。深度的卷积网络带来巨量的资源消耗,对硬件的要求非常苛刻;3、精细分割问题。深度卷积网络的池化和下采样步骤必
时序网络中的异常检测广泛地应用于医学、网络安全、社交网络等领域,旨在时序网络中检测某特定时刻明显偏离网络中大多数正常模式或不符合期望模式的节点或者边,能帮助人们发现潜在的不安全因素或感兴趣的问题。本文从时序网络中用户行为异常和用户交互异常两个方面开展了研究工作。在用户行为异常方面,现有工作的忽略了行为本身特征以及无法有效地捕捉时序网络的结构、时序特征,根据这两个不足提出了基于行为时序网络的局部变化
数据中心作为网络中支撑大数据、云计算重要的基础设施,其能耗问题一直备受关注。由于数据中心的节能需要更灵活的管理,允许对网络设备进行灵活控制的新兴技术软件定义网络为数据中心网络的节能路由优化带来了新的机遇。软件定义网络（SDN）是一种控制平面和数据平面分离的新型网络架构,具有灵活且逻辑集中控制的特性;利用SDN架构集中控制的优势,结合大数据分析和网络功能可编程的特性构建节能网络来降低数据中心能耗,对
行人重识别（ReID）是计算机视觉领域的一个重要研究方向,主要解决跨摄像机、跨场景下的行人识别与检索问题,可广泛应用于安防监控和刑事侦查等领域。然而监控环境下的图像易受到背景和光照等因素的干扰,摄像机也会因为夜晚光线不足而切换到红外模式,以上因素都给行人重识别带来了挑战。本文利用深度学习技术,对单模态和跨模态行人重识别问题展开研究,主要工作和创新点如下。（1）针对当前单模态行人重识别中网络结构复杂
传感器阵列由空间中按特定方式排列的一组传感器组成,对物理场进行空间离散采样。阵列信号处理技术利用传感器阵列获取包含了物理场空域-时域/频域信息的数据,对阵列信号数据进行处理,提取其中感兴趣的信号、估计源的时频域参数等。随着处理器、传感器等硬件设备的升级,与信号数学模型及算法理论的突破与推进,阵列信号处理技术迅速发展普及,广泛应用于雷达、声呐、无线通信、生物医学、语音智能等军事及民生领域。声源位置相
人脸图像生成是指利用计算机合成出满足需求的伪造人脸图像,比如黑白照片上色,由模糊人像生成清晰人像等,在各个领域有广泛的应用前景。近年来,随着深度学习技术的迅猛发展,利用深度卷积网络、生成对抗网络等神经网络生成模型生成人脸图像成为了研究热点。利用人像生成技术生成去妆容人像的需求可以分为以下两类:一、去妆算法有面向人眼视觉效果的需求,包括卸妆效果滤镜的娱乐应用、人工参与的身份检查等。二、去妆算法有面向