时间 ： 2020年10月22日 09: 00
地点： 望江校区基础教学楼B座318实验室
研读成员 ： 李龙兴、张铭洋
Part 1
分享者:李龙兴
[1]Moritz D, Wang C, Nelson G L, et al. Formalizing visualization design knowledge as constraints: Actionable and extensible models in draco[J]. IEEE transactions on visualization and computer graphics, 2018, 25(1): 438-448.
[2]Zhao J, Fan M, Feng M. ChartSeer: Interactive Steering Exploratory Visual Analysis with Machine Intelligence[J]. IEEE Transactions on Visualization and Computer Graphics, 2020.
论文简介：
[1]本工作介绍了一个自动生成可视化的系统Draco,其将可视化设计知识建模为一组约束，并结合一种从实验数据中学习软约束权重的方法，从而将可视化设计问题转化为约束空间优化问题（ASP），而ASP类问题有很好的优化求解方法（Clingo）。Draco可以系统地枚举不违反硬约束的可视化，并根据软约束找到最优的可视化。
[2]在探索性视觉分析（EVA）过程中，分析人员需要不断确定要执行的后续分析，例如选择要探索的数据变量或选择可视化的形式。由于可能的数据变量与可视化编码的组合空间很大，因此做出这样的决定通常具有挑战性。此外，在视觉探索过程中，分析人员无法关注到分析的整体情况，很难对数据进行全面的分析。本文提出了ChartSeer，该系统结合机器智能帮助分析人员直观地监视EVA的当前状态，并有效地确定将来要执行的探索活动。 ChartSeer利用深度学习技术来表征分析人员创建的数据图表，以生成视觉摘要，并根据用户的交互，推荐适当的图表以进一步探索。
Part 2
分享者:张铭洋
[1]Wenran, Li, Wing,等. DeepTACT: predicting 3D chromatin contacts via bootstrapping deep learning.[J]. Nucleic Acids Research, 2019.
[2]Jing F, Zhang S W, Zhang S. Prediction of Enhancer-Promoter Interactions Using the Cross-Cell Information and Domain Adversarial Neural Network[J]. 2020.
论文简介：
[1]调节元件之间的相互作用对于理解转录调控和解释疾病机制具有重要意义。虽然已开发的Hi-C技术可用于染色质触点的全基因组检测，但是目前没有足够高的分辨率来解决调节元件之间的联系。本文开发了一个深度学习模型DeepTACT，整合基因组序列和染色质可访问性数据，预测调控元件之间染色质的接触。 DeepTACT不仅可以预测增强子-启动子相互作用，而且还可以预测启动子-启动子相互作用，该模型比现有方法表现出更好的性能。此外，DeepTACT还确定了一类启动子，它们与跨细胞系的转录激活相关，能够反映细胞相似性。最后，通过对GWAS数据的综合分析和DeepTACT预测的相互作用，IFNA2与冠状动脉疾病的关联说明了染色质接触在人类疾病研究中的作用。
[2]增强子-启动子相互作用(EPIs)在转录调控和疾病进展中起着关键作用。虽然目前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。本文提出了一种新的基于序列的方法(称为SEPT)，通过使用跨细胞信息和迁移学习来预测新细胞系中的增强子-启动子相互作用。 SEPT首先利用卷积神经网络(CNN)从DNA序列中提取增强子和启动子的特征，然后设计转移倾斜的梯度反转层，以减少细胞系的特异性特征，同时保留与EPI相关的特征。当在新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EPIs。实验结果表明，SEPT可以有效地学习细胞系之间潜在的EPI相关特征。
