解析基因调控网络GRN中TFs+500数据集
对于GRN任务，作为benchmark的TFs+500/1000数据集是绕不开的。但是，一旦分析一下这个名字，就会发现这个数据集非常诡异。 正如下图所示，你会发现gene列也不是500，也不是TFs+500。 为了解答这个疑惑，不得不去查看其论文。遗憾的是，论文对于这一部分写的非常简略。但是，这篇论文的代码以及...
GRN多元的实验结果
数据集 数据集主要分为以下4种类型： Non-specific xxx-seq: 非特异性的数据。 Specific xxx-seq: 针对某种细胞的特异性数据 STRING：蛋白质-蛋白质相互作用数据库。可视为权威。 LOF/GOF：基于基于敲除或基因过量表达的实验数据。可视为权威。 scATAC-seq ...
论文阅读：LineGRN 线图神经网络推断基因调控网络
basic info title: LineGRN: a line graph neural network for gene regulatory network inference date: not final version till now 背景 由于基因调控网络很大且已知的调控关系数量有限，这就带来...
论文阅读：单细胞基因调控网络 SCRN
基本信息 title: SCRN: Single-Cell Gene Regulatory Network Identification in Alzheimer’s Disease date: NOVEMBER/DECEMBER2024 前置知识 这篇论文使用了DGCNN作为主要的神经网络 DGCNN &...
VAE 模型的介绍
这篇文章是 数学建模 课程的非标报告，由生成式模型协助完成。实际写于 2025/6/6。 VAE的发展历程 1980s：自编码器的诞生与早期探索 1987年，Yann LeCun首次提出自编码器（Autoencoder, AE），其核心思想是通过编码器-解码器结构压缩数据到低维空间，再重构原始输入。早期的AE主...
对比学习笔记
基本结构 对比学习属于自监督学习，不需要人为地去标注标签，就能让模型学习到数据的特征表示。 其目标是，在潜空间中，相似的样本应该距离较近，而不相似的样本应该距离较远。 其主要结构如下 graph LR A[C的数据增强C']-->En{Encoder} B[给定样本C]--&g...
论文阅读：半监督图神经网络分类
基本信息 论文题目： SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 首发日期： Sep 2016 这篇论文围绕图神经网络的半监督分类任务展开，共提出了两点： 在损失函数中取消拉普拉斯正则项 简化图卷积计算 拉普拉斯正则项的...
论文阅读：图注意力网络 GAT
基本信息 论文题目：Graph Attention Networks 日期： Jun 2017 链接：https://arxiv.org/abs/1710.10903 背景 为了挖掘结构化的信息，我们希望能得到节点的一个表示，其包含了图的结构信息。 最近的许多研究都希望将图卷积应用到图神经网络中，以提取图的结...
论文阅读：GraphSAGE
基本信息 论文题目：Inductive Representation Learning on Large Graphs 日期： Sep 2018 链接：https://arxiv.org/abs/1706.02216 背景 为了处理图结构中的数据，需要将图结构中的节点进行降维（embedding），将图的结构...
深度学习的一些基础知识
系统梳理了深度学习的基础知识，基本原理、深度学习与广度学习的对比、生成式模型(GAN、VAE等)、异常检测、可解释性以及对抗攻击与防御等内容，适合深度学习初学者参考。