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
大仙发布了新的文献求助10
刚刚
帅帅的大西瓜完成签到,获得积分10
1秒前
Qiangxianing完成签到,获得积分20
1秒前
累啊发布了新的文献求助10
1秒前
1秒前
小舒完成签到,获得积分10
1秒前
123发布了新的文献求助10
1秒前
1秒前
独步旋碟完成签到,获得积分10
1秒前
学术蟑螂完成签到,获得积分10
1秒前
1秒前
赵辰宇发布了新的文献求助10
1秒前
2秒前
湛蓝飞翔发布了新的文献求助10
3秒前
勤恳的红酒完成签到,获得积分10
3秒前
猪猪hero发布了新的文献求助10
3秒前
脑洞疼应助淡漠采纳,获得10
3秒前
华仔应助大白菜采纳,获得10
4秒前
yang完成签到,获得积分10
4秒前
Lrz完成签到 ,获得积分10
5秒前
joy33333完成签到,获得积分10
6秒前
cuc发布了新的文献求助10
6秒前
苏卿应助赵辰宇采纳,获得10
6秒前
牛肉面完成签到,获得积分10
7秒前
8秒前
今后应助123采纳,获得10
8秒前
BBC发布了新的文献求助10
10秒前
深情安青应助白玉汤顿首采纳,获得10
10秒前
哔噗哔噗完成签到 ,获得积分10
10秒前
雪要努力发布了新的文献求助10
10秒前
H1lb2rt完成签到 ,获得积分10
11秒前
Atari发布了新的文献求助100
12秒前
赵辰宇完成签到,获得积分10
13秒前
哈哈哈完成签到,获得积分10
13秒前
共享精神应助KatyPerry采纳,获得10
15秒前
15秒前
15秒前
16秒前
winter完成签到,获得积分10
16秒前
zhimajiang完成签到 ,获得积分10
16秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 600
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 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 3156829
求助须知:如何正确求助?哪些是违规求助? 2808171
关于积分的说明 7876754
捐赠科研通 2466574
什么是DOI,文献DOI怎么找? 1312950
科研通“疑难数据库(出版商)”最低求助积分说明 630334
版权声明 601919