亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

SENet: A deep learning framework for discriminating super- and typical enhancers by sequence information

增强子 计算机科学 人工智能 联营 深度学习 模式识别(心理学) 特征(语言学) 嵌入 特征提取 计算生物学 数据挖掘 基因 生物 遗传学 转录因子 哲学 语言学
作者
Hanyu Luo,Ye Li,Liu Huan,Pingjian Ding,Ying Yu,Lingyun Luo
出处
期刊:Computational Biology and Chemistry [Elsevier]
卷期号:105: 107905-107905 被引量:2
标识
DOI:10.1016/j.compbiolchem.2023.107905
摘要

Super-enhancers are large domains on the genome where multiple short typical enhancers within a specific genomic distance are stitched together. Typically, they are cell type-specific and responsible for defining cell identity and regulating gene transcription. Numerous studies have demonstrated that super-enhancers are enriched for trait-associated variants, and mutations in super-enhancers are possibly related to known diseases. Recently, several machine learning-based methods have been used to distinguish super-enhancers from typical enhancers by using high-throughput data from various experimental methods. The acquisition of such experimental data is usually costly and time-consuming. In this paper, we innovatively proposed SENet, a groundbreaking method based on a deep neural network model, for discriminating between the two categories solely utilizing sequence information. SENet employs dna2vec feature embedding, convolution for local feature extraction, attention pooling for refined feature retention, and Transformer for contextual information extraction. Experiments demonstrate that SENet outperforms all current state-of-the-art computational methods and shows satisfactory performance in cross-species validation. Our method pioneers the distinction between super-enhancers and typical ones using only sequence information. The source code and datasets are stored in https://github.com/lhy0322/SENet.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
10秒前
Mia发布了新的文献求助10
15秒前
Ann1203完成签到,获得积分10
40秒前
44秒前
李爱国应助Ann1203采纳,获得10
47秒前
早坂爱发布了新的文献求助10
49秒前
1分钟前
刘天宇完成签到 ,获得积分10
1分钟前
HEIKU应助早坂爱采纳,获得10
1分钟前
hhl完成签到,获得积分10
1分钟前
李静发布了新的文献求助10
1分钟前
breeze完成签到,获得积分10
1分钟前
Akim应助thousandlong采纳,获得10
1分钟前
1分钟前
thousandlong发布了新的文献求助10
2分钟前
2分钟前
小铁板发布了新的文献求助10
2分钟前
2分钟前
布通发布了新的文献求助10
2分钟前
小铁板完成签到,获得积分10
2分钟前
zzxp完成签到,获得积分10
2分钟前
脑洞疼应助aaa采纳,获得10
2分钟前
烟花应助布通采纳,获得10
2分钟前
2分钟前
TAO LEE完成签到 ,获得积分10
3分钟前
aaa发布了新的文献求助10
3分钟前
独特的夜阑完成签到 ,获得积分10
3分钟前
等待的问夏完成签到 ,获得积分10
3分钟前
852应助科研通管家采纳,获得10
3分钟前
yxm完成签到 ,获得积分10
3分钟前
3分钟前
乐乐应助布通采纳,获得30
3分钟前
寻道图强应助欧皇采纳,获得30
3分钟前
4分钟前
4分钟前
斯文绿凝完成签到,获得积分10
4分钟前
斯文绿凝发布了新的文献求助10
4分钟前
Owen应助Magali采纳,获得10
4分钟前
4分钟前
4分钟前
高分求助中
Sustainability in Tides Chemistry 1500
Handbook of the Mammals of the World – Volume 3: Primates 805
拟南芥模式识别受体参与调控抗病蛋白介导的ETI免疫反应的机制研究 550
Gerard de Lairesse : an artist between stage and studio 500
Digging and Dealing in Eighteenth-Century Rome 500
Queer Politics in Times of New Authoritarianisms: Popular Culture in South Asia 500
Manual of Sewer Condition Classification 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3068088
求助须知:如何正确求助?哪些是违规求助? 2722059
关于积分的说明 7475980
捐赠科研通 2369097
什么是DOI,文献DOI怎么找? 1256148
科研通“疑难数据库(出版商)”最低求助积分说明 609472
版权声明 596815