首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Advanced Science | 多模态蛋白表征方法及其迁移性量化

5月30日,中国科学院深圳先进技术研究院数字所殷鹏团队在Advanced Science在线发表了最新研究成果,题为“A Multimodal Protein Representation Framework for Quantifying Transferability Across Biochemical Downstream Tasks”。该工作提出了一种多模态蛋白质表征方法,通过融合多种蛋白质模态,包括序列、结构和基因本体(GO)信息来实现对蛋白的高效表征。同时,提出了一种基于最优传输的特征空间表示度量,用于量化从预训练的多模态表征到下游任务的动态迁移性。这种度量可以有效地捕捉任务间的分布差异,并预测任务间的适应性。这项研究的成果有助于更好地理解蛋白质的性质和功能,为计算生物学领域的研究提供了新的工具和方法。助理研究员胡帆博士为论文的第一作者,数字所硕士研究生胡奕绅、张维鸿为共同一作。潘毅教授为论文的共同作者,殷鹏副研究员为论文的通讯作者。

02
您找到你想要的搜索结果了吗?
是的
没有找到

Biological Psychiatry综述:人脑成像转录组学的最佳实践

现代全脑转录图谱为研究脑组织的分子相关性提供了前所未有的机会,可以使用无创神经成像进行量化。然而,将神经影像学数据与转录组测量相结合并不是直截了当的,需要仔细考虑才能做出有效的推断。在本文中,我们回顾了最近的研究工作,探讨了不同的方法选择如何影响成像转录组学分析的三个主要阶段,包括1)转录图谱数据的处理;2)将转录测量与独立衍生的神经影像学表型相关联;3)通过基因富集分析评估鉴定的关联的功能意义。我们的目标是为这个快速发展的领域促进标准化和可复制方法的发展。我们确定了方法可变性的来源,可能影响结果的关键选择,以及减轻假阳性和/或虚假结果的考虑因素。最后,我们提供了在所有3个分析阶段实现当前最佳实践过程的免费可用的开源工具箱的概述。

01

Feature Selective Anchor-Free Module for Single-Shot Object Detection

提出了一种简单有效的单阶段目标检测模块——特征选择无锚定(FSAF)模块。它可以插入到具有特征金字塔结构的单阶段检测器中。FSAF模块解决了传统基于锚点检测的两个局限性:1)启发式引导的特征选择;2)基于覆盖锚取样。FSAF模块的总体思想是将在线特征选择应用于多水平无锚分支的训练。具体来说,一个无锚的分支被附加到特征金字塔的每一层,允许在任意一层以无锚的方式进行盒编码和解码。在训练过程中,我们动态地将每个实例分配到最合适的特性级别。在推理时,FSAF模块可以通过并行输出预测与基于锚的分支联合工作。我们用无锚分支的简单实现和在线特性选择策略来实例化这个概念。在COCO检测轨道上的实验结果表明,我们的FSAF模块性能优于基于锚固的同类模块,而且速度更快。当与基于锚点的分支联合工作时,FSAF模块在各种设置下显著地改进了基线视网膜网,同时引入了几乎自由的推理开销。由此产生的最佳模型可以实现最先进的44.6%的映射,超过现有的COCO单单阶段检测器。

02
领券