时间： 2021年5月19日09:30
地点： 望江校区基础教学楼B座318实验室
研读成员： 张铭洋、李伊瑶
Part 1
分享者： 张铭洋
分享内容：
[1]Liu S,Xu X,Yang Z,et al.EPIHC:Improving Enhancer-Promoter Interaction Prediction by using Hybrid features and Communicative learning. 2020.
[2]Min X,Ye C,Liu X,et al.Predicting enhancer-promoter interactions by deep learning and matching heuristic[J]. Briefings in Bioinformatics, 2020.
论文简介：
[1]增强子-启动子的相互作用(EPIs)调节细胞中特异性基因的表达，EPIs对理解基因调控、细胞分化和疾病机制很重要。通过生物实验识别EPI昂贵且耗时。本文提出一种方法，称为EPIHC，基于混合特征（序列特征+基因组学特征）和融合通信学习模块的深度神经网络预测EPIs。EPIHC利用卷积神经网络(CNN)分别从增强子和启动子序列中提取特征，然后设计了一个通信学习模块来捕获增强子和启动子序列之间的相互作用信息。EPIHC还考虑到了增强子和启动子的基因组特征，结合了序列特征和基因组特征来预测EPIs。实验表明，EPIHC在基准数据集上的性能优于现有最先进的EPIs预测方法，通信学习模块可以挖掘被CNN忽略的EPIs相关特征。此外，作者提出两种提高跨细胞系预测性能的策略。
[2]增强子-启动子相互作用(EPIs)在转录调控中起着重要作用。本文提出了一种方法，称为EPI-DLMH，仅使用DNA序列来预测EPIs。EPI-DLMH由三个主要步骤组成。首先，利用两层卷积神经网络学习局部特征，并利用双向门控递归单元网络来捕获对启动子和增强子序列的长期依赖关系。然后，利用注意力机制关注相对重要的特征。最后，引入了一种匹配的启发式机制来探索增强子和启动子之间的相互作用。作者使用基准数据集来评估和比较，结果表明，EPI-DLMH模型优于现有模型。具体地说，在该模型中引入的匹配启发式机制有助于提高性能的整体精度。此外，与现有的模型相比，该模型在计算速度方面更有效。
Part 2
分享者： 李伊瑶
分享内容：
[3] Kwon Bum Chul,Anand Vibha,Severson Kristen A,Ghosh Soumya,Sun Zhaonan,Frohnert Brigitte I,Lundgren Markus,Ng Kenney. DPVis: Visual Analytics with Hidden Markov Models for Disease Progression Pathways.[J]. IEEE transactions on visualization and computer graphics,2020.
论文简介：
[3]临床研究人员使用疾病进展模型来了解患者状态并根据纵向健康记录表征进展模式。疾病进展建模的一种方法是使用少数状态来描述患者状态，这些状态代表一组观察到的指标上的独特分布。隐马尔可夫模型既可以发现这些状态，又可以推断出患者的健康情况。尽管使用算法发现疾病进展模式有很多优势，但医学专家仍然难以解释模型输出以及理解复杂的建模参数。为了解决这些问题，临床科学家，统计学家和可视化专家进行了一项设计研究，旨在调查慢性疾病的疾病进展途径，即Ⅰ型糖尿病，亨廷顿病，帕金森氏病和慢性阻塞性肺疾病疾病。最终，文章引入了DPVis，该DPVis将模型参数和HMMs的结果无缝集成到可解释和交互式的可视化系统中。在这项研究中，作者证明了DPVis在评估疾病进展模型，可视化疾病状态，交互式探索疾病进展模式以及建立，分析和比较临床相关患者亚组方面是成功的。
