神经网络

搜索
登录

神经网络

文章数：6篇

人类肠道菌群

iMeta：马迎飞团队开发基于神经网络分析肠道菌群的方法

该研究开发了一种结合神经网络和随机森林的框架，从宏基因组数据集鉴定出40个标记物种和90个标记基因，在预测中获得了更高的准确性，本研究提供了一种新的思路来识别疾病相关生物标记物并分析它们在疾病发展中所扮演的角色。

人类肠道菌群神经网络随机森林二型糖尿病相关生物标记物

测序数据鉴别和去除rRNA序列利器RiboDetector

rRNA序列污染是广泛存在于各类高通量测序数据中的。除了在实验建库过程中对文库进行去核糖体的处理，数据分析层面也可通过一些序列比对的策略去除。本研究中，作者基于深度学习算法开发了高效准确去除核糖体序列的工具-RiboDetector，其是基于深度学习的BiLSTM（一款双向的循环神经网络架构）开发的软件，其可以快速准确地识别转录组、宏基因组、宏转录组、非编码 RNA 和核糖体测序数据中的 rRNA 读长，RiboDetector 可在 https://github.com/hzi-bifo/RiboDetector 获得。

rRNA 序列深度学习算法 GPU 神经网络假阳性

宁康团队：菌群数据挖掘的新框架——本体感知神经网络（综述）

菌群实体通常以本体结构组织，考虑本体结构的模式挖掘方法可以在挖掘效率和准确性方面提供优势。华中科技大学宁康团队近期在Briefings in Bioinformatics发表综述，总结了本体感知神经网络（ONN）作为菌群数据挖掘的新框架，讨论了 ONN 在多种环境中的应用，强调了 ONN 最重要的特征之一，即新颖的知识发现，最后，提供了几个应用程序来展示 ONN 在微生物组数据挖掘中相对于其他方法的优势。

菌群模式挖掘本体感知神经网络知识发现

VIBRANT：宏基因组中自动恢复、注释、管理和评估病毒组群落功能的新方法

本文介绍了VIBRANT，这是第一种利用混合机器学习和蛋白质相似性的方法，该方法不依赖于序列特征来自动恢复和注释病毒，确定基因组质量和完整性以及从宏基因组学装配中表征病毒群落功能。VIBRANT使用蛋白质特征的神经网络和最新开发的v得分指标，该指标可以规避传统界限，以最大限度地识别裂解性病毒基因组和整合前病毒，包括高度多样化的病毒。VIBRANT突出显示了病毒辅助代谢基因和代谢途径，从而成为评估病毒群落功能的用户友好平台。

VIBRANT 基因组序列神经网络 v-score 微生物群落代谢

AI技术用于宏基因组数据中病毒检测

从宏基因组测序数据集中检测高度不同或未知的病毒是一项重大的生物信息学挑战。本研究分别采用随机森林和神经网络的机器学习方法预测宏基因组序列中的病毒序列，取得了很好的结果。

人工智能机器学习 Human samples machine learning Metagenomic sequencing

FM：瘤胃菌群的电动力学性质

这是Frontiers in Microbiology[IF：4.076]在今年6月份发表的一项研究，内容专业性很强，请专业人士阅读。

神经网络电动力学瘤胃菌群 Yingming Zhao He Huang