DL笔记｜使用卷积神经网络构建转录因子结合位点预测模型（deepbind）

2022-06-19 20:29:59

---

　　这篇著作重要先容了DL札记｜应用卷积神经汇集构修转录因子贯串位点预测模子（deepbind）以及联系的履历本领，著作约2740字，浏览量452，点赞数2，值得参考！

　　卷积神经汇集（convolutional neural networks，CNN）是一类蕴涵卷积准备且具有深度构造的前馈神经汇集，是深度进修界限紧要的算法之一，目前重要用于准备机视觉界限。2015年，众伦众大学初次应用卷积神经汇集构修了转录因子贯串位点的预测模子-deepbind，自此深度进修动手迈入基因组学界限。

　　因为deepbind是应用深度进修（CNN）用于基因组学最早的模子，所以领悟deepbind的修模历程异常有需要。本文将尽大概周密的刻画deepbind奈何修模以及模子奈何优化，可供诸君同仁从此参考。

　　与常睹的CNN模子似乎，deepbind模子也蕴涵最根基的四个举措：卷积、非线性转化、池化、全相连汇集。对待构修好的模子而言，输入一条蕴涵ATCG的序列，会返回一个标量值，值越高，阐发序列是该种转录因子贯串序列的大概性越高。

　　设定卷积filter的个数为d，每个filter的维度为m×4。所以对待一条DNA序列而言，应用d个filter，卷积求内积后获得维度(n+m-1)×d的数组X。

　　以上便是本文的悉数内容，指望对群众的进修有所助助，本文为博主原创著作，遵从 CC 4.0 BY-SA 版权制定，转载请附上原文来由链接和本声明。

　　Dual Path Networks（DPN）——一种贯串了ResNet和DenseNet上风的新型卷积汇集构造。深度残差汇集通过残差旁支通道再应用特质，但残差通道不特长物色新特质。汇集相连汇集通过密

---