时间： 2020年12月24日（本周四） 09 : 00
地点： 望江校区基础教学楼B座318实验室
研读成员： 温啸林 陈富秋
Part1
分享者： 温啸林
分享内容：
[1] Leite R A, Gschwandtner T, Miksch S, et al. Eva: Visual analytics to identify fraudulent events[J]. IEEE transactions on visualization and computer graphics, 2017, 24(1): 330-339.
[2] Leite R A, Gschwandtner T, Miksch S, et al. Neva: Visual analytics to identify fraudulent networks[J]//Computer Graphics Forum. 2020, 39(6): 344-359.
论文简介：
[1] 金融机构都对确保其客户的安全性和质量的方法感兴趣。例如，银行需要及时识别并阻止有害交易。为了检测欺诈性操作，通常使用数据挖掘技术和客户资料分析。 但是，现有可视分析技术尚不支持这些方法。可视分析技术具有极大地增强知识发现过程并提高金融欺诈检测系统的检测和预测准确性的潜力。因此，本文提出了EVA，这是一种可视化分析方法，用于支持欺诈调查，微调欺诈检测算法，从而减少误报警报。
[2] 信任度，声誉，安全性和质量是公共和私人金融机构的主要关注点。为了检测欺诈行为，目前采用了几种追求不同目标的技术。对于定义明确的问题，分析方法适用于检查客户交易的历史记录。但是，欺诈行为在不断变化，这导致了不确定的问题。此外，分析单个客户的行为不足以检测更复杂的结构，例如欺诈行为者网络。本文建议使用NEVA（使用可视化分析的网络检测），一种可视化分析的探索环境，以支持对客户网络的分析，以减少欺诈的假阴性和假阳性警报。系统采用多个协调视图允许探索数据的复杂关系和依赖性，提供网络模式生成、检测和过滤的丰富指南组件支持探索和分析不同复杂程度的节点之间的关系。最后，在六次专家访谈中说明了NEVA的适用性和可用性。
Part2
分享者： 陈富秋
分享内容：
[1] Pan, X., Fang, Y., Li, X., Yang, Y., Shen, H.-B., 2020. RBPsuite: RNA-protein binding sites prediction suite based on deep learning. BMC Genomics 21.
[2] Trieu, T., Martinez-Fundichely, A., Khurana, E., 2020. DeepMILO: a deep learning approach to predict the impact of non-coding sequence variants on 3D chromatin structure. Genome Biology 21.
论文简介：
[1] RNA结合蛋白(RBPs)在各种生物过程中发挥着至关重要的作用，基于深度学习的方法在预测RNA上的RBP结合位点方面已经被证明是非常有效的。本文展示了一个基于深度学习模型并易于使用的web服务器，RBPsuite，用于预测线性和环形RNA上的RBP结合位点。对于线性RNA,RBPsuite使用改进的iDeepS算法预测线性RNA序列上RBP结合的评分；对于环形RNA， RBPsuite使用研发的CRIP算法预测环形RNA序列上RBP结合的评分。RBPsuite首先将输入的RNA序列分解为101个核苷酸片段，并对片段与RBP之间的相互作用进行评分，RBPsuite最后会得出全长序列分布的RBP结合分数。
[2] 有关实验表明非编码变异体通过改变三维基因组结构导致疾病的产生。本文提出了一种深度学习方法DeepMILO来预测非编码变异对CTCF/cohesin介导的绝缘体环的影响。应用DeepMILO对12种癌症类型的1834名患者的全基因组序列变异进行分析后发现，至少10%的患者中有672个绝缘体环被破环。此外，研究结果还表明，绝缘体环锚点处的突变与恶性淋巴瘤中癌症驱动基因BCL2和MYC的上调有关，从而指出了癌症基因通过绝缘体环的改变而失调的新机制。
