CN110363276A - 一种模拟人工神经网络的基因电路及其构建方法 - Google Patents
一种模拟人工神经网络的基因电路及其构建方法 Download PDFInfo
- Publication number
- CN110363276A CN110363276A CN201910541858.1A CN201910541858A CN110363276A CN 110363276 A CN110363276 A CN 110363276A CN 201910541858 A CN201910541858 A CN 201910541858A CN 110363276 A CN110363276 A CN 110363276A
- Authority
- CN
- China
- Prior art keywords
- layer
- hidden layer
- input
- gene
- hidden
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims description 17
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 151
- 230000005284 excitation Effects 0.000 claims abstract description 25
- 239000003814 drug Substances 0.000 claims abstract description 16
- 206010006187 Breast cancer Diseases 0.000 claims description 24
- 208000026310 Breast neoplasm Diseases 0.000 claims description 24
- 230000001105 regulatory effect Effects 0.000 claims description 22
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 claims description 15
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 102100038595 Estrogen receptor Human genes 0.000 claims description 6
- 101000882584 Homo sapiens Estrogen receptor Proteins 0.000 claims description 6
- 229910052793 cadmium Inorganic materials 0.000 claims description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 5
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 5
- 229910052802 copper Inorganic materials 0.000 claims description 5
- 239000010949 copper Substances 0.000 claims description 5
- 229910001385 heavy metal Inorganic materials 0.000 claims description 5
- 102000003998 progesterone receptors Human genes 0.000 claims description 5
- 108090000468 progesterone receptors Proteins 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 5
- AHOKKYCUWBLDST-QYULHYBRSA-N (2s)-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-[[(2s)-2-[[2-[[(2s)-2-[[(2s,3s)-2-[[(2s)-2,6-diaminohexanoyl]amino]-3-methylpentanoyl]amino]-3-phenylpropanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]propanoyl]amino]-3-phenylpropanoyl]amino Chemical compound C([C@H](NC(=O)[C@@H](NC(=O)[C@@H](N)CCCCN)[C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC(C)C)C(O)=O)C1=CC=CC=C1 AHOKKYCUWBLDST-QYULHYBRSA-N 0.000 claims description 4
- 102000008096 B7-H1 Antigen Human genes 0.000 claims description 4
- 108010074708 B7-H1 Antigen Proteins 0.000 claims description 4
- BLCLNMBMMGCOAS-URPVMXJPSA-N Goserelin Chemical compound C([C@@H](C(=O)N[C@H](COC(C)(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCN=C(N)N)C(=O)N1[C@@H](CCC1)C(=O)NNC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H]1NC(=O)CC1)C1=CC=C(O)C=C1 BLCLNMBMMGCOAS-URPVMXJPSA-N 0.000 claims description 4
- 108010069236 Goserelin Proteins 0.000 claims description 4
- 108010024405 HER2 peptide (369-377) Proteins 0.000 claims description 4
- 229960002913 goserelin Drugs 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010224 classification analysis Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000000611 regression analysis Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 30
- -1 Pknox2 Proteins 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 101150083317 Shox2 gene Proteins 0.000 description 7
- 101100286129 Danio rerio hoxd13a gene Proteins 0.000 description 6
- 102000004648 Distal-less homeobox proteins Human genes 0.000 description 6
- 101150070666 Dlx1 gene Proteins 0.000 description 6
- 101100396074 Mus musculus Hoxc10 gene Proteins 0.000 description 6
- 101150041192 Otx1 gene Proteins 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 101150104873 BARHL1 gene Proteins 0.000 description 4
- 101150051240 DLX2 gene Proteins 0.000 description 4
- 101100125275 Mus musculus Hoxd10 gene Proteins 0.000 description 4
- 101100125281 Mus musculus Hoxd11 gene Proteins 0.000 description 4
- 101100024551 Mus musculus Msx3 gene Proteins 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 206010069754 Acquired gene mutation Diseases 0.000 description 3
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 3
- 102000004144 Green Fluorescent Proteins Human genes 0.000 description 3
- 241000607565 Photobacterium phosphoreum Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000005090 green fluorescent protein Substances 0.000 description 3
- 230000009021 linear effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000037439 somatic mutation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 231100000419 toxicity Toxicity 0.000 description 3
- 230000001988 toxicity Effects 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 230000004568 DNA-binding Effects 0.000 description 1
- 208000031448 Genomic Instability Diseases 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 102000040945 Transcription factor Human genes 0.000 description 1
- 108091023040 Transcription factor Proteins 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003560 cancer drug Substances 0.000 description 1
- 210000004671 cell-free system Anatomy 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000003937 drug carrier Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 231100000048 toxicity data Toxicity 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000002103 transcriptional effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N15/00—Mutation or genetic engineering; DNA or RNA concerning genetic engineering, vectors, e.g. plasmids, or their isolation, preparation or purification; Use of hosts therefor
- C12N15/09—Recombinant DNA-technology
- C12N15/63—Introduction of foreign genetic material using vectors; Vectors; Use of hosts therefor; Regulation of expression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Neurology (AREA)
- Chemical & Material Sciences (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Plant Pathology (AREA)
- Microbiology (AREA)
- Public Health (AREA)
- Biochemistry (AREA)
- Epidemiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种模拟人工神经网络的基因电路,包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到上一层基因的产物的调控符合激励函数;输入层节点受到输入启动子的调控符合激励函数。实施本发明,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现生物、医药、化学、电子等领域的复杂应用。
Description
技术领域
本发明涉及生物学领域,更具体地说,涉及一种模拟人工神经网络的基因电路及其构建方法。
背景技术
人工神经网络(Artificial Neural Network,即ANN),是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
而基因电路通常由调节组件和被调节基因组成,调节组件包括启动子等;被调节基因多为编码蛋白质的基因。目前的基因电路设计主要包括基本逻辑回路设计及检测回路等。但这些基因电路设计并不具有一般电脑的运算速度,也不能做到复杂演算,因此实际应用较少。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种模拟人工神经网络的基因电路及其构建方法,其可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现各个生物领域的复杂应用。
本发明解决其技术问题所采用的技术方案是:构造一种模拟人工神经网络的基因电路,包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到的上一层基因的基因产物的调控符合激励函数。
在本发明所述的模拟人工神经网络的基因电路中,所述基因产物为蛋白质或RNA。
在本发明所述的模拟人工神经网络的基因电路中,所述输出层用于分类分析或回归分析。
在本发明所述的模拟人工神经网络的基因电路中,所述输入层包括三个输入层节点,包括由ESR1、PGR、ERBB2所调控的启动子及由该启动子所调控的三个输入基因(Shox2,Rhox11,lrx3);所述隐层包括第一隐层和第二隐层,所述第一隐层包括六个隐层基因,所述第二隐层包括三个隐层基因,所述隐层基因包括Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8;所述激励函数为“sigmoid”函数。
在本发明所述的模拟人工神经网络的基因电路中,所述基因电路结果为Basal、HER2及Luminal(ER+)亚型乳癌的判断结果。
在本发明所述的模拟人工神经网络的基因电路中,所述基因电路结果为针对Basal亚型乳癌的基因合成药物PD-L1、针对HER2亚型乳癌的基因合成药物nelipepimut-S,针对Luminal(ER+)亚型乳癌的基因合成药物goserelin。
在本发明所述的模拟人工神经网络的基因电路中,所述输入层包括三个输入层节点,所述输入节点分别包括受铜、铅、镉所调控的启动子及由该启动子所调控的三个输入基因(Fhl1,Reb1,Sfp1),所述隐层包括第一隐层、第二隐层、第三隐层和第四隐层,所述第一隐层和第四隐层分别包括七个隐层基因,所述第二隐层和第三隐层分别包括四个隐层基因,所述隐层基因包括Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8,Gbx2,Msx3,Vsx1,Barhl1,Hoxd11,Shox2,Rhox11,lrx3,Hoxd10,Gbx1,Dlx2;所述激励函数为“sigmoid”函数或“relu”函数;所述输出层包括绿色萤光蛋白。
本发明解决其技术问题采用的技术方案是,构造一种模拟人工神经网络的基因电路的构建方法,包括:
S1.模拟训练人工神经网络;
S2.基于模拟结果构建基因电路,所述基因电路包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到的上一层基因的产物的调控符合激励函数;基于所述基因电路选择输入基因,隐层基因的种类、数量以及隐层的数量;
S3.将所述基因电路用作实际表达。
在本发明所述的构建方法中,所述输入层包括三个输入层节点,包括由ESR1、PGR、ERBB2所调控的启动子及由该启动子所调控的三个输入基因(Shox2,Rhox11,lrx3);所述隐层包括第一隐层和第二隐层,所述第一隐层包括六个隐层基因,所述第二隐层包括三个隐层基因,所述隐层基因包括Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8;所述激励函数为“sigmoid”函数。
在本发明所述的构建方法中,所述基因电路结果为Basal、HER2及Luminal(ER+)亚型乳癌的判断结果;或所述基因电路结果为针对Basal亚型乳癌的基因合成药物PD-L1、针对HER2亚型乳癌的基因合成药物nelipepimut-S,针对Luminal(ER+)亚型乳癌的基因合成药物goserelin。
在本发明所述的构建方法中,所述输入层包括三个输入层节点,所述输入基因分别包括受重金属铜、铅、镉所调控的启动子及由该启动子所调控的三个输入基因(Fhl1,Reb1,Sfp1),所述隐层包括第一隐层、第二隐层、第三隐层和第四隐层,所述第一隐层和第四隐层分别包括七个隐层基因,所述第二隐层和第三隐层分别包括四个隐层基因,所述隐层基因包括Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8,Gbx2,Msx3,Vsx1,Barhl1,Hoxd11,Shox2,Rhox11,lrx3,Hoxd10,Gbx1,Dlx2;所述激励函数为“sigmoid”函数或“relu”函数;所述输出层包括绿色萤光蛋白。
实施本发明的模拟人工神经网络的基因电路及其构建方法,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现生物、医药、化学、电子等领域的复杂应用。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的模拟人工神经网络的基因电路的第一实施例的示意图;
图2是本发明的模拟人工神经网络的基因电路的第二实施例的示意图;
图3是图2所示的基因电路获得的判断结果示意图;
图4是本发明的模拟人工神经网络的基因电路的第三实施例的示意图;
图5是图4所示的基因电路获得的判断结果示意图;
图6是本发明的模拟人工神经网络的基因电路的构建方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明涉及一种模拟人工神经网络的基因电路,
包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到上一层基因的基因产物的调控符合激励函数;输入层节点受到输入启动子的调控符合激励函数。实施本发明的模拟人工神经网络的基因电路及其构建方法,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现各个生物领域的复杂应用。
图1是本发明的模拟人工神经网络的基因电路的第一实施例的示意图。如图1所示,该模拟人工神经网络的基因电路包括一个输入层,M个隐层和一个输出层。在本优选实施例中,该输入层包括Ni个输入节点(其中1=<i<=M),即输入节点11-1Ni。每个隐层包括Ni个隐层节点。所述输出层包括两个输出节点。在本实施例中,N和M均可以是大于2的正整数。本领域技术人员知悉,所述Ni和M的具体数值,可以根据实际需要进行寻找,其中,该寻找方法可以通过电脑模拟多组之人工神经网络进行调参,对比找出较优解。每个隐层中的隐层节点(Ni)的个数可以相同,也可以不同,输出节点和输出节点的数量也可以根据实际需要进行调节,在此,本发明不受其具体数值的限制。
在本实施例中,每个输入层节点的输入向量为一个输入基因,每个隐层节点中包括一个隐层基因。输入层节点可以受到外界仼意分子控制,从而将输入基因11-1Ni作为输入向量。第一隐层中的隐层基因A1-Ni1受到输入基因11-1Ni的启动子或者基因产物的调控,并产生基因产物31-3Ni,而该基因产物31-3Ni进一步对第二隐层中的隐层基因A2-Ni2进行调控,并产生基因产物。所述隐层基因受到的上一层基因的产物的调控符合激励函数。这样每一层的基因产物都会对下一层中的隐层基因进行调控,从而调控最后输出,从而达到人工神经网络的效果。最后输出结果为P(P为>=1及<=NM的正整数)组输出基因组组成。
可选地,每一个基因都可以有一组独立启动子(promoter),RBS(ribosome-binding site)及/或终止子(terminator)。所述基因产物可以是蛋白质或RNA,例如:转录因子,非转录RNA等等。优选地,在本发明中,至少包括两个输入基因,并且输出结果可以是用作检测(如萤光蛋白、萤光RNA等)或医药用途(如抗体,配体等)的蛋白或RNA产物。在本发明中,输入基因(<=N组)可为DNA序列(如DNA binding site)、RNA或蛋白结构等任一种。可以通过电脑模拟训练对人工神经网络进行调节,从而选择适合的隐层数量和每层隐层中的隐层节点的数量,以及采用的激活函数,并选择所采用的输入基因、启动子,基因产物,隐层基因。在本发明的可以选择例如“sigmoid”函数或“relu”函数。在本发明的其他优选实施例中,还可以采用其他激活函数。
在构建本发明的模拟人工神经网络的基因电路之后,可以将该电路应用于动植物细胞、人体细胞、细菌、真菌、无细胞系统等众多不同系统作表达(expression)。进一步地,透过修改输入及输出电路,本发明的模拟人工神经网络的基因电路可以修改成模仿递归神经网络(recurrent neural network)等人工神经网络基因电路。可选地,本发明可结合基本逻辑回路基因电路设计构建更精确的分类(Classification)或回归(Regression)分析基因电路。
实施本发明的模拟人工神经网络的基因电路,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现各个生物领域的复杂应用。本发明的模拟人工神经网络的基因电路使得细胞内或分子层级生物计算达到了现今主流计算机科学所需的标准,有利于实现快速、准确的医药检测。同时,亦进一步地有利于实现个人化医疗,使在细胞及分子层面作出直接诊断及医疗成为可能。
下面结合实施例对本发明的模拟人工神经网络的基因电路进一步说明如下。
实施例2
最近,包括乳癌在内的多种癌症被证实在同一肿瘤内可能含有多种不同癌症细胞(参见Yeo,Syn Kok,and Jun-Lin Guan."Breast cancer:multiple subtypes within atumor?."Trends in cancer 3.11(2017):753-760;以及Raynaud,Franck,et al."Pan-cancer inference of intra-tumor heterogeneity reveals associations withdifferent forms of genomic instability."PLoS genetics 14.9(2018):e1007669)。下面使用本发明的模拟人工神经网络的基因电路针对相关细胞进行模拟计算,并在使用其输出结果进行乳癌亚型判断。
图2是本发明的模拟人工神经网络的基因电路的第二实施例的示意图,该基因电路可以用于乳癌亚型判断,和/或针对不同乳癌亚型药物输出。在图2所示的模拟人工神经网络的基因电路包括输入层100、第一隐层210和第二隐层220、输出层300。所述输入层100包括三个输入层节点,第一隐层210包括六个隐层节点,第二隐层220包括三个隐层节点,所述输出层300包括三个输出节点。在本实施例中,采用的激励函数为“sigmoid”函数。
在本实施例中从输入节点输入的输入向量分别为ESR1、PGR及ERBB2(启动子分别受该三个基因调控,而三个启动子分别调控三个输入基因,例如Shox2,Rhox11,lrx3),采用9个隐层基因,例如Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8(参见Mertins,Philipp,et al."Proteogenomics connects somatic mutations tosignalling in breast cancer."Nature 534.7605(2016):55)作为在第一隐层210的六个隐层节点和第二隐层220的三个隐层节点进行调控。在本发明的其他优选实施例中,可以选用其他基因进行调控,例如Gbx2,Msx3,Vsx1,Barhl1,Hoxd11,Shox2,Rhox11,lrx3,Hoxd10,Gbx1,Dlx2(参见Mertins,Philipp,et al."Proteogenomics connects somaticmutations to signalling in breast cancer."Nature 534.7605(2016):55))。在本发明中,选用之基因符合激活函数”sigmoid”,分别调控下一层的基因,直至输出层,对乳癌作出分类(Classification)分析,对作出针对性治疗。本实施例运用了早前之公开数据(Mertins,Philipp,et al."Proteogenomics connects somatic mutations tosignalling in breast cancer."Nature 534.7605(2016):55),应用输入ESR1、PGR及ERBB2表达量作为输入,Basal、HER2及Luminal(ER+)亚型的判断结果作为输出。
在本发明的其他优选实施例中,还可以选择其他数量的隐层或者选择每个隐层选择其他数量的基因,比如可以选择三个隐层,每个隐层包括三个隐层基因,也可以选择两个隐层,每个隐层包括两个隐层基因。表格1示出了三种选择获得的分类准确度。
在本发明的进一步的优选实施例中,将图2所示的模拟人工神经网络的基因电路用于对不同亚型的癌症作为相关针对治疗,其结果如图3所示。如图3所示,采用图2所示的模拟人工神经网络的基因电路,可有效地使药物载体细胞通过所述模拟人工神经网络的基因电路针对不同癌细胞作出判断(此实施例中以Basal、HER2及Luminal(ER+)为例),从而对同一肿瘤中的异质(heterogeneity)细胞或不同亚型(subtype)作出相关的针对治疗,该基因电路结果为针对Basal亚型乳癌的基因合成药物PD-L1、针对HER2亚型乳癌的基因合成药物nelipepimut-S,针对Luminal(ER+)亚型乳癌的基因合成药物goserelin。
实施例3
本发明的模拟人工神经网络的基因电路可用于作回归(Regression)分析以用于预测结果,节省实际测试所须的程序、时间、费用。图4是本发明的模拟人工神经网络的基因电路的第三实施例的示意图,该基因电路可用于预测水中重金属(铜、铅、镉)的毒性,并以萤光蛋白作输出层输出毒性预测结果。
在图4所示的模拟人工神经网络的基因电路包括输入层100、第一隐层210、第二隐层220、第三隐层230、第四隐层240,以及输出层300。所述输入层100包括三个输入层节点,第一隐层210和第四隐层240包括七个隐层节点,第二隐层220和第三隐层240包括四个隐层节点,所述输出层300包括一个输出节点。在本实施例中,分别采用的“sigmoid”函数和“relu”函数作为激励函数。
在本实施例中从输入节点输入的输入向量分别为、铅、镉三个金属分别调控的三个启动子,及由该启动子所调控的三个输入基因(例如:Fhl1,Reb1,Sfp1等已知线性关系的基因),并另外采用20个已知线性关系的基因作隐层基因,例如Alx4,Otx1,Hoxc10,Pknox2,Hoxd13,Dlx1,En2,Prrx2,Lhx8,Gbx2,Msx3,Vsx1,Barhl1,Hoxd11,Shox2,Rhox11,lrx3,Hoxd10,Gbx1,Dlx2作为在第一隐层210和第四隐层240的七个隐层节点,第二隐层220和第三隐层240的四个隐层节点。在本发明的其他优选实施例中,可以选用其他已知线性关系的基因进行调控(参见Liu,Zhe,and Robert Tjian."Visualizing transcription factordynamics in living cells."J Cell Biol 217.4(2018):1181-1191;Kim,Harold D.,etal."Transcriptional regulatory circuits:predicting numbers from alphabets."Science 325.5939(2009):429-432.)。在本发明中,输出层300包括一个绿色萤光蛋白。本例中,毒性结果由明亮发光杆菌(Photobacterium phosphoreum)细胞的活性预测。用作对比之实验结果选用了早前之公开数据(参见Zeb,BibiSaima,et al."Assessment ofcombined toxicity of heavy metals from industrial wastewaters onPhotobacterium phosphoreum T3S."Applied Water Science 7.4(2017):2043-2050)。
本实施例中,我们返现当使用4个隐层(分别有7、4、4、7个隐层基因作为仿神经元)时,人工神经网络达至较优效果。本例对比“”sigmid”(R=-0.283)及“relu”(R=0.496)激活函数发现,使用“relu”时,本例可达至更优效果。经实验及电脑模拟分析确定,图4所示的模拟人工神经网络的基因电路可以有效预测毒性测试结果(R=0.496,p<0.01),减少测试所需时间、金钱,其结果参见图5。在图5中X轴为预测活性,Y轴为实际活性;(R=0.496,p<0.01)。
因此,实施本发明的模拟人工神经网络的基因电路,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现各个生物领域的复杂应用。本发明的模拟人工神经网络的基因电路使得细胞内或分子层级生物计算达到了现今主流计算机科学所需的标准,有利于实现快速、准确的医药或化学成份检测。同时,亦进一步地有利于实现个人化医疗,使在细胞及分子层面作出直接诊断及医疗成为可能。
图6是本发明的模拟人工神经网络的基因电路的构建方法的流程图。如图6所示,在步骤S1中,模拟训练人工神经网络。在本发明的优选实施例中,该人工神经网络可以是任何已知的人工神经网络,比如BP人工神经网络,递归人工神经网络等等。
在步骤S2中基于模拟结果构建基因电路。所述基因电路
包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到上一层基因的基因产物的调控符合激励函数;输入层节点受到输入启动子的调控符合激励函数;基于所述基因电路选择输入基因,隐层基因的种类、数量以及隐层的数量。本领域技术人员知悉,可以构建出图1-5中示出的任何实施例中所示的模拟人工神经网络的基因电路,在此就不再累述了。
在步骤S3中,将所述基因电路用作实际表达。本领域技术人员知悉,可以所述基因电路用于图1-5中任何实施例所示的实际表达。在此就不再累述了。在构建本发明的模拟人工神经网络的基因电路之后,可以将该电路应用于动植物细胞、人体细胞、细菌、真菌、无细胞系统等众多不同系统作表达(expression)。
实施本发明的模拟人工神经网络的基因电路的构建方法,可以采用基因电路结构模拟人工神经网络,从而在分子层面模拟复杂运算,进而实现各个生物领域的复杂应用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种模拟人工神经网络的基因电路,其特征在于,包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到上一层基因的基因产物的调控符合激励函数;输入层节点受到输入启动子的调控符合激励函数。
2.根据权利要求1所述的模拟人工神经网络的基因电路,其特征在于,所述基因产物为蛋白质或RNA。
3.根据权利要求1或2所述的模拟人工神经网络的基因电路,其特征在于,所述输出层用于分类分析或回归分析。
4.根据权利要求3所述的模拟人工神经网络的基因电路,所述输入层包括三个输入层节点,包括由ESR1、PGR、ERBB2所调控的启动子及由该启动子所调控的三个输入基因;所述隐层包括第一隐层和第二隐层,所述第一隐层包括六个隐层基因,所述第二隐层包括三个隐层基因;所述激励函数为“sigmoid”函数。
5.根据权利要求4所述的模拟人工神经网络的基因电路,其特征在于,所述基因电路结果为Basal、HER2及Luminal(ER+)亚型乳癌的判断结果。
6.根据权利要求5所述的模拟人工神经网络的基因电路,其特征在于,所述基因电路结果为针对Basal亚型乳癌的基因合成药物PD-L1、针对HER2亚型乳癌的基因合成药物nelipepimut-S,针对Luminal(ER+)亚型乳癌的基因合成药物goserelin。
7.根据权利要求3所述的模拟人工神经网络的基因电路,其特征在于,所述输入层包括三个输入层节点,所述输入节点分别包括重金属铜、铅、镉所调控的启动子及由该启动子所调控三个输入基因,所述隐层包括第一隐层、第二隐层、第三隐层和第四隐层,所述第一隐层和第四隐层分别包括七个隐层基因,所述第二隐层和第三隐层分别包括四个隐层基因;所述激励函数为“sigmoid”函数或“relu”函数。
8.一种模拟人工神经网络的基因电路的构建方法,其特征在于,包括:
S1.模拟训练人工神经网络;
S2.基于模拟结果构建基因电路,所述基因电路包括至少一个输入层、至少两个隐层和至少一个输出层,所述输入层包括若干输入层节点,每个所述隐层包括若干隐层节点,所述输出层包括若干输出层节点,每个输入层节点的输入向量为一个启动子及一个输入基因,每个隐层节点中包括一个隐层基因,每个隐层基因受该层基因的启动子或上一层基因的基因产物的调控;所述输出节点输出基因电路结果;所述隐层基因及输出层节点受到上一层基因的产物的调控符合激励函数;输入层节点受到输入启动子的调控符合激励函数;基于所述基因电路选择输入基因,隐层基因的种类、数量以及隐层的数量;
S3.将所述基因电路用作实际表达。
9.根据权利要求8所述的构建方法,其特征在于,所述输入层包括三个输入层节点,包括由ESR1、PGR、ERBB2所调控的启动子及由该启动子所调控的三个输入基因;所述隐层包括第一隐层和第二隐层,所述第一隐层包括六个隐层基因,所述第二隐层包括三个隐层基因;所述激励函数为“sigmoid”函数。
10.根据权利要求9所述的构建方法,其特征在于,所述输入层包括三个输入层节点,所述输入节点分别包括重金属铜、铅、镉所调控的启动子及由该启动子所调控的三个输入基因,所述隐层包括第一隐层、第二隐层、第三隐层和第四隐层,所述第一隐层和第四隐层分别包括七个隐层基因,所述第二隐层和第三隐层分别包括四个隐层基因;所述激励函数为“sigmoid”函数或“relu”函数。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541858.1A CN110363276A (zh) | 2019-06-21 | 2019-06-21 | 一种模拟人工神经网络的基因电路及其构建方法 |
PCT/CN2020/094416 WO2020253547A1 (zh) | 2019-06-21 | 2020-06-04 | 一种模拟人工神经网络的基因电路及其构建方法 |
EP20827035.5A EP3989123A4 (en) | 2019-06-21 | 2020-06-04 | ARTIFICIAL NEURAL NETWORK SIMULATING A GENETIC CIRCUIT AND CONSTRUCTION METHOD THEREOF |
US17/620,669 US20240046079A1 (en) | 2019-06-21 | 2020-06-04 | Gene circuit simulating artificial neural network and construction method therefor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541858.1A CN110363276A (zh) | 2019-06-21 | 2019-06-21 | 一种模拟人工神经网络的基因电路及其构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363276A true CN110363276A (zh) | 2019-10-22 |
Family
ID=68216507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910541858.1A Pending CN110363276A (zh) | 2019-06-21 | 2019-06-21 | 一种模拟人工神经网络的基因电路及其构建方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240046079A1 (zh) |
EP (1) | EP3989123A4 (zh) |
CN (1) | CN110363276A (zh) |
WO (1) | WO2020253547A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253547A1 (zh) * | 2019-06-21 | 2020-12-24 | 石致宇 | 一种模拟人工神经网络的基因电路及其构建方法 |
CN112562782A (zh) * | 2020-12-16 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种合成基因回路模型及构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788196B2 (en) * | 2003-09-09 | 2010-08-31 | Semeion | Artificial neural network |
CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004357502A (ja) * | 2003-05-30 | 2004-12-24 | Olympus Corp | 核酸分子を使用した情報処理方法 |
US9500636B2 (en) * | 2011-12-16 | 2016-11-22 | The Regents Of The University Of California | Multiscale platform for coordinating cellular activity using synthetic biology |
US20200143255A1 (en) * | 2017-06-27 | 2020-05-07 | Technion Research & Development Foundation Limited | Dna-based neural network |
US10748040B2 (en) * | 2017-11-20 | 2020-08-18 | Kavya Venkata Kota Sai KOPPARAPU | System and method for automatic assessment of cancer |
CN108197432B (zh) * | 2017-11-29 | 2021-04-02 | 东北电力大学 | 一种基于基因表达数据的基因调控网络重构方法 |
CN108388768A (zh) * | 2018-02-08 | 2018-08-10 | 南京恺尔生物科技有限公司 | 利用生物知识搭建的神经网络模型的生物特性预测方法 |
CN108733981A (zh) * | 2018-06-11 | 2018-11-02 | 天津科技大学 | 一种基于深度学习技术从基因角度预测肝癌风险的方法 |
CN110363276A (zh) * | 2019-06-21 | 2019-10-22 | 石致宇 | 一种模拟人工神经网络的基因电路及其构建方法 |
-
2019
- 2019-06-21 CN CN201910541858.1A patent/CN110363276A/zh active Pending
-
2020
- 2020-06-04 WO PCT/CN2020/094416 patent/WO2020253547A1/zh active Application Filing
- 2020-06-04 US US17/620,669 patent/US20240046079A1/en active Pending
- 2020-06-04 EP EP20827035.5A patent/EP3989123A4/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788196B2 (en) * | 2003-09-09 | 2010-08-31 | Semeion | Artificial neural network |
CN103430186A (zh) * | 2012-01-20 | 2013-12-04 | 松下电器产业株式会社 | 神经网络电路的学习方法 |
Non-Patent Citations (3)
Title |
---|
MARCUS WOO: "《加州理工科研人员首次用DNA构造出人工神经网络》", 《HTTPS://WWW.PSYCHSPACE.COM/PSYCH/?ACTION-PRINTNEWS-ITEMID-4979》 * |
汪木兰: "《神经网络硬化实现的共性技术在电力传动中应用研究》", 《万方学位论文数据库》 * |
谢邦昌等: "《Excel在大数据挖掘中的应用》", 31 May 2016, 厦门大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253547A1 (zh) * | 2019-06-21 | 2020-12-24 | 石致宇 | 一种模拟人工神经网络的基因电路及其构建方法 |
CN112562782A (zh) * | 2020-12-16 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种合成基因回路模型及构建方法 |
WO2022126698A1 (zh) * | 2020-12-16 | 2022-06-23 | 中国科学院深圳先进技术研究院 | 一种合成基因回路模型及构建方法 |
CN112562782B (zh) * | 2020-12-16 | 2024-02-09 | 中国科学院深圳先进技术研究院 | 一种合成基因回路模型的构建方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3989123A4 (en) | 2023-07-12 |
WO2020253547A1 (zh) | 2020-12-24 |
EP3989123A1 (en) | 2022-04-27 |
US20240046079A1 (en) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Protein complex identification by supervised graph local clustering | |
Zhang et al. | Mining heterogeneous causal effects for personalized cancer treatment | |
Ju et al. | Effects of synaptic connectivity on liquid state machine performance | |
Middleton et al. | Modeling regulatory networks to understand plant development: small is beautiful | |
Li et al. | C-CSN: single-cell RNA sequencing data analysis by conditional cell-specific network | |
Zhang et al. | Inference of cell type-specific gene regulatory networks on cell lineages from single cell omic datasets | |
CN110363276A (zh) | 一种模拟人工神经网络的基因电路及其构建方法 | |
Schmidt et al. | Developmental scRNAseq trajectories in gene-and cell-state space—The flatworm example | |
Gutiérrez-Avilés et al. | Mining 3D patterns from gene expression temporal data: a new tricluster evaluation measure | |
Ramos et al. | Leveraging user-friendly network approaches to extract knowledge from high-throughput omics datasets | |
Wei et al. | Reverse-engineering of gene networks for regulating early blood development from single-cell measurements | |
Gontier | Hierarchies, networks, and causality: the applied evolutionary epistemological approach | |
Thiel et al. | Identifying lncRNA-mediated regulatory modules via ChIA-PET network analysis | |
Rahmani et al. | Recursive indirect-paths modularity (RIP-M) for detecting community structure in RNA-Seq co-expression networks | |
Ma et al. | Deepmaps: Single-cell biological network inference using heterogeneous graph transformer | |
So et al. | GraphComm: a graph-based deep learning method to predict cell-cell communication in single-cell RNAseq data | |
Bukkuri et al. | Modeling cancer’s ecological and evolutionary dynamics | |
Fernández et al. | Neutral fitness landscapes in signalling networks | |
Fisher et al. | Evolutionary dynamics and statistical physics | |
Greulich et al. | The physics of cell fate | |
Sahlol et al. | Evaluation of cisplatin efficiency as a chemotherapeutic drug based on neural networks optimized by genetic algorithm | |
Emmert-Streib et al. | Inference of genome-scale gene regulatory networks: are there differences in biological and clinical validations? | |
Roy et al. | Soft computing approaches to extract biologically significant gene network modules | |
Hartmann et al. | Modeling cellular differentiation and reprogramming with gene regulatory networks | |
Kim et al. | Using neural networks to bridge scales in cancer: mapping signaling pathways to phenotypes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |