时间： 2022年1月13日（周四） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 张宛靖（线上）、 杨丹 （线上）
研读内容：
Part1
分享者：张宛靖
分享内容：
[1]Chen K, Zhao H, Yang Y. Capturing large genomic contexts for accurately predicting enhancer-promoter interactions[J]. bioRxiv, 2021.
[2]Wang Z , Dai Q , Song J , et al. Predicting RBP Binding Sites of RNA with High-order Encoding Features and CNN-BLSTM Hybrid Model[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2021, PP(99):1-1.
论文简介:
[1]准确识别增强子-启动子相互作用(EPI)具有挑战性。本文中开发了基于Hi-C和ChIA-PET数据集的TransEPI模型，用于EPI预测。该模型从含有增强子-启动子对的大间隔中汇编基因组特征，并采用基于Transformer的体系结构捕获远程依赖关系以实现更准确的预测。结果表明，TransEPI能有效预测跨细胞类型的EPI，并且预测效果明显优于最先进的EPI模型。此外，TransEPI框架还可以扩展到识别非编码突变的靶基因，这一扩展有助于研究致病性非编码突变。
[2] RNA结合蛋白(RBP)通过与RNA相互作用，广泛参与多种细胞调控过程，捕捉RBP结合偏好是揭示复杂疾病发病机制的基础。本文提出了一种CNN-BLSTM混合深度学习框架DeepDW，用于预测具有RNA序列和二级结构高阶编码特征RNA上的RBP结合位点。模型首先采用高阶编码策略刻画相邻核苷酸间的依赖关系，再使用两个一维卷积神经网络(1D-CNN)分别从RNA序列和结构的高阶编码矩阵中学习局部特征，然后应用两个双向长期短期记忆网络(BLSTM)在更高层次上捕捉全局信息。结果表明，DeepDW取得了比最先进的方法更好的性能，体现了高阶编码和CNN-BLSTM混合模型在识别RBP-RNA结合位点方面的优势。
Part2
分享者：杨丹
分享内容：
[1]Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. arXiv e-prints, arXiv:1804.02767, 2018.
[2]Bochkovskiy A , Wang C Y , Liao H . YOLOv4: Optimal Speed and Accuracy of Object Detection[J]. arXiv:2004.10934, 2020.
论文简介:
[1]YOLO是一种单阶段目标检测算法，它将物体检测作为回归问题求解，基于一个单独的端到端的网络，完成从原始图像的输入到物体位置和类别的输出，具有速度快、泛化能力强、背景预测错误率低的优势，但对小目标和邻近目标的检测精度低、效果差。本文对YOLO做了改进，提出了新的backbone：Darknet-53，比YOLOv2体量更大但是更加精确，而且仍然足够快。使用320x320分辨率，YOLOv3每帧处理时间为22ms，达到28.2mAP。YOLOv3借鉴了FPN的做法，用中间层的输出与后层输出进行融合，进行三个尺度预测来弥补初始划分网格细粒度不够问题，提高了小目标的检测性能。
[2]YOLOv4在YOLOv3的基础上添加了一些新的改进思路，使得其速度与精度都得到了极大的性能提升。本文提出了高效且功能强大的目标检测模型，它使每个人都可以使用1080Ti或2080TiGPU来训练超快、精确的物体探测器。文章验证了在目标检测算法训练过程中不同的技巧tricks对实验性能的影响，tricks主要包括Bag-of-Freebies和Bag-of-Specials，并对state-of-the-art的算法进行了修改，使其更有效，更适合于单个GPU的培训。与其他最先进的目标检测器相比，YOLOv4在速度和准确性方面均优于其他的检测器。
