Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Deep Learning for Regulatory Genomics - Regulator vincolante, Transcription Factors TFs - Lecture 08 (Spring 2021)
Deep Learning for Regulatory Genomics - Regulator vincolante, Transcription Factors TFs - Lecture 08 (Spring 2021)
Il video discute l'uso del deep learning per la genomica regolatrice e si concentra su come la sequenza del DNA può rivelare diversi motivi presenti nelle regioni promotrici e potenziatrici e il loro looping 3D. Il video spiega come la tecnologia Chromosome Confirmation Capture (3C) può sondare l'organizzazione cromosomica e la tecnologia Hi-C può identificare i domini topologicamente associati (TAD), che interagiscono tra loro, e il modello di compartimento nel genoma. I filtri convoluzionali vengono applicati in ogni posizione della sequenza del DNA per rilevare diverse caratteristiche o motivi e il framework di deep learning può apprendere proprietà, filtri e motivi comuni della sequenza del DNA, che consentono di eseguire varie attività di previsione. Il video menziona anche come l'apprendimento multitasking sia vantaggioso e l'utilizzo di livelli aggiuntivi nella rete di deep learning per riconoscere e combinare più rappresentazioni di elementi costitutivi dei motivi del fattore di trascrizione potrebbe consentire un riconoscimento più efficiente di motivi complessi.
Il relatore in questo video discute l'utilizzo del deep learning per la genomica normativa con particolare attenzione al legame del fattore di trascrizione e alla previsione dell'espressione genica. Esplorano l'uso di strutture di convoluzione e convoluzioni dilatate per introdurre ampie regioni di DNA e fare previsioni in un quadro multi-task per i dati sulla cromatina e l'espressione genica. Il relatore copre anche l'uso di connessioni residue per addestrare reti neurali profonde e spiega come il modello può prevedere i contatti 3D utilizzando dati e modelli IC. Nel complesso, il deep learning può essere un potente strumento per analizzare i dati genomici e fare previsioni basate sulla sequenza del DNA con dati sufficienti e le giuste trasformazioni.
Previsione dell'espressione genica - Lezione 09 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
Previsione dell'espressione genica - Lezione 09 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
Il video discute l'uso del deep learning nella previsione dell'espressione genica e le sfide coinvolte nell'analisi di set di dati biologici, tra cui l'alta dimensionalità e il rumore. La conferenza copre metodologie come l'analisi dei cluster, le approssimazioni di basso rango delle matrici e il rilevamento compressivo. Il relatore parla anche dell'uso dell'apprendimento profondo per la previsione dell'espressione genica e della cromatina, nonché dell'apprendimento debolmente supervisionato per prevedere i siti di attività di potenziamento. La conferenza discute diversi strumenti sviluppati utilizzando principalmente la metodologia del deep learning, tra cui danq, djgx, factory mat e sc fin. Il relatore parla anche dell'uso di modelli generativi per lo studio dei set di dati genomici e introduce l'idea della metodologia dell'inferenza approssimata, in particolare quella popolare chiamata inferenza variazionale.
Nella seconda parte della conferenza, il relatore discute l'applicazione del deep learning nelle scienze della vita, in particolare nella previsione dell'espressione genica e nell'interpretazione genomica. Il primo argomento si concentra sull'applicazione dei modelli di autoencoder di variazione all'analisi dell'espressione dell'RNA per i set di dati sull'asma. Il relatore propone un framework per rimuovere artefatti sperimentali utilizzando un modello generativo condizionale. Il secondo argomento discute l'investimento di Illumina nelle reti di deep learning per identificare i modelli sequenza-funzione per l'interpretazione genomica, in particolare per lo splicing. La società ha sviluppato SpliceAI, una rete neurale convoluzionale profonda che prevede se un nucleotide è un donatore di giunzione, un accettore o nessuno dei due. Il terzo argomento riguarda la ricerca del relatore sulla previsione se determinate mutazioni avranno una funzione di giunzione criptica, che può portare a frameshift e malattie. Il relatore invita anche domande e domande per posizioni di ricerca, stage e postdoc.
Genomica unicellulare - Lezione 10
Genomica unicellulare - Lezione 10 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
In questa conferenza sulla genomica unicellulare, il relatore discute vari metodi e tecnologie utilizzati per profilare le singole cellule, tra cui lo smistamento cellulare e la microfluidica. L'attenzione si concentra su tre specifiche tecnologie di sequenziamento a cella singola: approcci Smart-seq, drop-seq e raggruppati. Il relatore copre anche il processo di analisi dei trascrittomi a cella singola, inclusa la preelaborazione, la visualizzazione, il clustering e l'annotazione e l'uso dell'architettura dell'autoencoder nel clustering della comunità. I metodi di apprendimento profondo vengono applicati per l'adattamento del dominio e per ricostruire i tipi di cellule in modo stimolato. La conferenza discute anche le sfide insite nell'analisi dei dati genomici unicellulari e propone l'uso di un modello generativo per affrontare questi problemi in modo scalabile e coerente.
La seconda parte del video copre vari argomenti relativi alla genomica unicellulare e al deep learning. Gli argomenti discussi includono l'inferenza variazionale, un processo generativo per i dati di sequenziamento dell'RNA a cella singola, il modello SCVI per la miscelazione di set di dati di tipo cellulare, CanVAE per la propagazione di etichette e l'implementazione di vari algoritmi di deep learning su un'unica base di codice chiamata strumenti CVI. I relatori affrontano anche le sfide nell'uso delle probabilità a posteriori per calcolare le misure dell'espressione genica e presentano metodi per calcolare con precisione le aspettative a posteriori e controllare i tassi di scoperta completi.
Riduzione della dimensionalità - Lezione 11
Riduzione della dimensionalità - Lezione 11 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
Le lezioni video sull'apprendimento profondo nelle scienze della vita esplorano le tecniche di riduzione della dimensionalità per il raggruppamento e la classificazione nell'analisi dei dati a cella singola. Le lezioni distinguono tra apprendimento supervisionato e non supervisionato ed esplorano l'uso di quadri di verifica di ipotesi statistiche per valutare le espressioni differenziali dei geni. La conferenza introduce il concetto di apprendimento multiplo utilizzando l'analisi delle componenti principali, la decomposizione dell'auto e la decomposizione del valore singolare per la riduzione della dimensionalità lineare e discute i metodi dell'incorporamento del vicino stocastico distribuito in t e dell'incorporamento del vicino stocastico distribuito per la conservazione dei dati in cluster. Il relatore discute anche l'applicazione della fattorizzazione della matrice non negativa ai dati genomici e l'integrazione di set di dati a cella singola e multi-omica. L'obiettivo finale di queste tecniche è ridefinire i tipi e l'identità delle cellule in modo imparziale e quantitativo.
La seconda parte discute diversi argomenti relativi alla riduzione della dimensionalità, in particolare la sua applicazione nelle scienze della vita. La fattorizzazione integrativa della matrice non negativa (iNMF) viene utilizzata per collegare i profili trascrittomici ed epigenomici per comprendere meglio l'identità cellulare in vari contesti. La conferenza discute anche i vantaggi dell'utilizzo di un approccio mini-batch nel deep learning, in particolare per set di dati più grandi, e come gli algoritmi online possono essere sfruttati per migliorare i metodi di riduzione della dimensionalità per l'analisi di set di dati di grandi dimensioni. Inoltre, l'algoritmo viene introdotto per integrare diversi tipi di dati, come i dati RNA-seq e ATAC-seq. Infine, il relatore esprime la volontà di fungere da mentore per gli studenti interessati al campo. Nel complesso, la conferenza è stata istruttiva e ben accolta.
Dissezione dei circuiti della malattia GWAS - Lezione 12
Dissezione dei circuiti delle malattie GWAS - Lezione 12 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
Questo video sulla dissezione dei circuiti della malattia GWAS copre le basi della genetica umana, le sfide computazionali per l'interpretazione e i vari tipi di variazioni genetiche esaminate negli studi di associazione sull'intero genoma (GWAS). Il video esplora anche metodologie come la mappatura mendeliana, l'analisi del linkage e l'identificazione di polimorfismi a singolo nucleotide (SNP) associati a malattie. Inoltre, il relatore discute l'uso delle statistiche chi-quadrato, dei grafici di Manhattan e dei grafici QQ per visualizzare le regioni genomiche significativamente associate ai fenotipi della malattia. Il video include anche un caso di studio sul gene FTO e su come è stato analizzato in modo completo per le sue implicazioni meccanicistiche nell'obesità. Vengono inoltre discusse le sfide della comprensione dell'associazione genetica con l'obesità e i passaggi per affrontare questo problema.
La conferenza discute la sfida di studiare l'impatto delle variazioni genomiche sulla salute umana e l'importanza di comprendere come le mutazioni influenzano i diversi tipi di cellule. Il relatore delinea il loro approccio di apprendimento profondo per prevedere l'effetto della sequenza e delle variazioni genomiche, in particolare in relazione alla previsione del legame dei fattori di trascrizione e dell'organizzazione della cromatina. Descrivono anche la loro valutazione di queste previsioni utilizzando set di dati genomici profondamente sequenziati per prevedere la sensibilità del DNA e i QTL del segno istonico, nonché il loro uso dell'apprendimento profondo per prevedere l'effetto delle mutazioni sull'espressione genica e sulle malattie umane come l'autismo. Infine, discutono la loro analisi imparziale di insiemi di geni precedentemente noti e l'uso di una libreria di modelli di sequenza di apprendimento profondo.
Meccanismo GWAS - Lezione 13
Meccanismo GWAS - Lezione 13 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
La conferenza sul meccanismo GWAS nella serie Deep Learning in Life Sciences esamina vari metodi per comprendere la funzione delle varianti genetiche non codificanti coinvolte in tratti complessi. La conferenza discute l'uso di annotazioni epigenomiche e modelli di apprendimento approfondito per identificare proprietà globali attraverso regioni geneticamente associate per una particolare malattia. Copre anche gli arricchimenti attraverso diversi tessuti e potenziatori e spiega come questi possono essere trasformati in priori empirici per prevedere l'SNP causale all'interno di un locus. La conferenza discute anche l'uso di fenotipi molecolari intermedi come l'espressione genica e la metilazione per studiare la causalità negli studi di associazione genome-wide e come combinare il genotipo e le componenti personali dell'espressione per spiegare la variabile fenotipica dell'espressione. Infine, la conferenza esamina l'uso di metodi di inferenza causale per determinare l'effetto del cambiamento di una variabile sulle variabili di risultato per identificare percorsi causali contro anti-causali.
Il docente in questo video discute varie tecniche per inferire effetti causali nella ricerca genomica. Coprono il concetto di separazione d e utilizzano la randomizzazione naturale nella genetica come un modo per stabilire relazioni causali. Il docente discute anche della randomizzazione mendeliana e del modello di quasi inferenza di Rubin, insieme al metodo del risultato potenziale per l'inferenza causale. Toccano le sfide dell'imputazione e dell'adattamento ai pregiudizi negli studi osservazionali. Il relatore sottolinea anche l'importanza di utilizzare più prove ortogonali per sviluppare un robusto algoritmo causale. Inoltre, spiegano l'uso della genetica per perturbare le espressioni geniche e apprendere le reti e introducono la condizione di invarianza come un modo per identificare le strutture causali nei dati. La conferenza fornisce una panoramica completa di varie tecniche e strumenti utilizzati nella ricerca genomica per l'inferenza causale.
Genetica dei sistemi - Lezione 14
Genetica dei sistemi - Lezione 14 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
In questa conferenza sulla genetica dei sistemi e l'apprendimento profondo, il relatore tratta diversi argomenti, tra cui l'ereditarietà SNP, l'ereditarietà del partizionamento, la regressione del punteggio LD stratificato e l'apprendimento profondo nella fenotipizzazione molecolare. Esplorano anche l'uso di cartelle cliniche elettroniche, studi di associazione genomica e genomica per analizzare un set di dati di una biobanca britannica di circa 500.000 individui con migliaia di fenotipi. Il docente discute come utilizzare i modelli di deep learning per la previsione della funzione di sequenza per comprendere i circuiti dei loci della malattia e l'uso di modelli misti lineari per la chiamata GWAS ed EQTL. Toccano anche i pregiudizi e le violazioni dei presupposti del modello nell'apprendimento profondo e sottolineano l'importanza delle annotazioni normative specifiche del tipo di cellula nell'inferire i tipi di cellule critiche per la malattia. Infine, il docente discute la complessità dei risultati relativi alla selezione negativa e alle dimensioni degli effetti causali e introduce il professor Manuel Rivas della Stanford University per discutere la scomposizione delle associazioni genetiche.
La lezione approfondisce l'applicazione dei dati genetici in varie aree, compresa la quantificazione della composizione e dei componenti del contributo dei tratti, l'identificazione delle varianti genetiche che contribuiscono all'adipogenesi o alla lipolisi, l'identificazione delle mutazioni con forti effetti sulla funzione genica e un minor rischio di malattia e lo sviluppo di modelli di previsione del rischio che utilizzano l'analisi multivariata. Inoltre, la conferenza discute l'applicazione dei modelli di punteggio di rischio poligenico in vari biomarcatori e sottolinea la necessità di condividere i dati tra diverse popolazioni per migliorare l'accuratezza predittiva, in particolare nel caso di popolazioni non europee. La conferenza si conclude esprimendo la volontà di supervisionare gli studenti interessati a progetti di ricerca relativi ai punteggi poligenici della UK Biobank e agli effetti biotropici.
Reti neurali a grafo - Lezione 15
Graph Neural Networks - Lezione 15 - Learning in Life Sciences (Primavera 2021)
In questa conferenza su YouTube sulle reti neurali a grafo, il relatore copre un'ampia gamma di argomenti, tra cui le basi delle reti a grafo, le rappresentazioni spettrali, la classificazione semi-supervisionata e la modellazione dei dati multirelazionale. C'è anche un focus sull'intersezione delle reti di grafi e l'elaborazione del linguaggio naturale e su come generare grafici per la scoperta di farmaci. Il docente spiega vari metodi per propagare le informazioni attraverso i grafici per ottenere utili incorporamenti di nodi che possono essere utilizzati per attività di previsione. La conferenza sottolinea anche l'importanza dell'apprendimento contrastivo per i GNN, i potenziali benefici della combinazione di rappresentazioni basate su patch e metodi basati sull'attenzione e l'uso dell'approccio del trasformatore nella PNL. La seconda metà della conferenza si concentra sulla discussione di documenti che mostrano gli usi pratici dei GNN nella scoperta di farmaci e su come codificare e decodificare la struttura delle molecole utilizzando un albero di giunzione.
Questo video discute molteplici applicazioni delle reti neurali a grafo (GNN) nelle scienze della vita, tra cui la scoperta di farmaci e l'inferenza di grafi latenti. Il relatore evidenzia i problemi e le potenziali strade nei GNN, come la mancanza di località spaziale e ordinamento fisso, e la configurazione considerata prevede la previsione del tipo di un dato nodo, la previsione di un collegamento tra due nodi, la misurazione della somiglianza tra due nodi o due reti e clustering dei nodi eseguendo il rilevamento della comunità nella rete. Il docente spiega anche come i GNN possono addestrare e incorporare in modo efficiente grafici, trasformare e aggregare informazioni e gestire gli effetti collaterali della polifarmacia. Inoltre, la conferenza copre due metodi per l'apprendimento automatico delle rappresentazioni nelle scienze della vita, con modelli di meta-apprendimento come MARS sfruttati per generalizzare a nuovi tipi di cellule. Infine, la conferenza discute come i GNN possono apprendere rappresentazioni di cellule latenti su più set di dati per catturare l'eterogeneità del tipo di cellula.
AI for Drug Design - Lezione 16
AI for Drug Design - Lezione 16 - Apprendimento approfondito nelle scienze della vita (primavera 2021)
Questa conferenza discute l'uso del deep learning per la progettazione di farmaci. Spiega come il deep learning può essere utilizzato per trovare nuovi composti con resistenza agli antibiotici. Discute anche di come i modelli di deep learning possono essere migliorati incorporando la conoscenza biologica.
Questa seconda parte della conferenza fornisce una panoramica di come il deep learning può essere utilizzato nella progettazione di farmaci, in particolare per prevedere l'attività antivirale delle combinazioni di farmaci. Il modello è stato testato in vivo utilizzando saggi cellulari e sono state identificate due nuove combinazioni sinergiche di farmaci.
Deep Learning per il ripiegamento delle proteine - Lezione 17
Deep Learning for Protein Folding - Lezione 17 - MIT Deep Learning in Life Sciences (primavera 2021)
Questo video discute l'uso del deep learning nel campo del ripiegamento delle proteine, e in particolare come il deep learning geometrico può essere utilizzato per studiare le strutture proteiche e prevedere cose come i siti di legame dei ligandi e le interazioni proteina-proteina. Il video copre anche i metodi di modellazione basati su modello rispetto a quelli senza modello, vari approcci per la previsione del contatto nel ripiegamento delle proteine e l'uso di reti neurali residue per la modellazione dell'immagine nella previsione della struttura delle proteine. Nel complesso, il relatore sottolinea la promessa del deep learning nel far progredire la nostra comprensione delle strutture proteiche e delle loro funzioni, e fornisce esempi e risultati dettagliati a sostegno di questa affermazione.
Il video discute vari approcci al deep learning per il ripiegamento delle proteine, incluso l'uso di previsioni e modelli di coevoluzione per una modellazione accurata, l'importanza di trovare omologhi migliori e il potenziale del deep learning per ottenere risultati comparabili senza fare affidamento sulla fisica tradizionale metodi. I relatori approfondiscono anche l'uso di output differenziabili e l'importanza dell'accuratezza globale, nonché l'evoluzione dello spazio degli algoritmi e il potenziale dell'apprendimento profondo per prevedere conferme proteiche basate su fattori come variazione genetica o piccole molecole. Nel complesso, il video evidenzia l'entusiasmante potenziale del deep learning per rivoluzionare la previsione della struttura delle proteine e le sue numerose applicazioni.