时间：2022年12月25日(周日) 09: 30
地点：腾讯会议（线上）
分享者：张宛靖、刘清岭
Part1
分享者：张宛靖
分享内容：
[1] Fan Y, Peng B. StackEPI: identification of cell line-specific enhancer–promoter interactions based on stacking ensemble learning[J]. BMC bioinformatics, 2022, 23(1): 1-18.
[2] Jing F, Zhang S W, Zhang S. Prediction of enhancer–promoter interactions using the cross-cell type information and domain adversarial neural network[J]. BMC bioinformatics, 2020, 21(1): 1-16.
论文简介：
[1] 了解增强子-启动子相互作用(EPIs)对细胞中特定基因表达的调控作用有助于理解基因调控、细胞分化等，其识别一直是一个具有挑战性的任务。一方面，使用传统实验方法来鉴定EPIs往往需要大量的人力和时间成本。另一方面，目前提出的计算方法虽然识别效果较好，但一般需要较长的训练时间。本文研究了6个人类细胞系的EPI，并设计了一种基于堆叠集成学习策略的细胞系特异性EPI预测方法，该方法具有更好的预测性能和更快的训练速度，称为StackEPI。具体地说，通过结合不同的编码方案和机器学习方法，全面、多方向地提取细胞特定的增强子和启动子基因序列的有效信息，并对细胞特定的EPI做出准确的识别。比较结果表明，本文模型在识别特定细胞系的EPI问题上可以提供更好的性能，并且优于其他最先进的模型。此外，我们的模型还具有更高效的计算速度。
[2] 增强子-启动子相互作用(EPIs)在转录调控和疾病进展中起关键作用。虽然已经开发了几种计算方法来预测这种相互作用，但当训练和测试来自不同细胞系的数据时，它们的性能并不令人满意。目前，还不清楚基于序列水平的信息可以在多大程度上做出跨细胞系的预测。本文提出了一种新的基于序列的方法(称为SEPT)，利用跨细胞信息和转移学习来预测新细胞系中增强子-启动子的相互作用。该模型首先利用卷积神经网络(CNN)从DNA序列中学习增强子和启动子的特征，然后设计迁移学习的梯度反转层来减少细胞系特有的特征，同时保留与EPIs相关的特征。当在新的细胞系中提供增强子和启动子的位置时，SEPT可以根据其他细胞系的标记数据成功地识别该新细胞系中的EPI。SEPT模型是预测新细胞系中EPI的有效方法，其中使用的领域对抗性转移学习结构可以从所有其他现有的标记数据中学习细胞系之间潜在的EPI共享特征，并且SEPT模型在AUC方面获得最好的预测性能。
Part2
分享者：刘清岭
分享内容：
[1] Jeya Maria Jose Valanarasu and Vishal M. Patel. UNeXt: MLP-based Rapid Medical Image Segmentation Network.MICCAI,2022.
论文简介：
[1] 近年来，UNet及其最新扩展已成为医学图像分割的主要方法，但由于较大的参数量，这些网络不能被用于即时护理中的快速图像分割。为此，本文提出了一种基于卷积多层感知器(MLP)的图像分割网络UNeXt，使用了一种新的Tokenized MLP (TokMLP)块。作者在卷积块中使用了较少数量的过滤器，在mlp中引入移位运算来提取不同轴向位移对应的局部信息。由于标记化特征的维数较少，且mlp比卷积或自注意和变压器更简单，我们能够显著减少参数数量和计算复杂度，同时保持良好的性能。
