基于迁移学习和多视图特征融合提高RNA碱基相互作用预测

RNA碱基相互作用对维持其三维结构的稳定具有重要作用,准确地预测碱基相互作用可以辅助RNA三维结构的预测。然而,用于预测RNA碱基相互作用的数据量少,导致模型未能充分地学习到数据的特征分布,以及数据存在的特性(对称特性和类别不平衡),都影响了模型的性能。针对模型不充分学习和数据特性问题,在深度学习的基础上,提出了一种高性能的RNA碱基相互作用预测方法tpRNA。tpRNA首次在RNA碱基相互作用预测任务中引入迁移学习以改善因数据量少而产生的模型不充分学习问题,并提出高效的损失函数和特征提取模块,充分发挥迁移学习和卷积神经网络在特征学习方面的优势,以缓解数据特性问题。结果表明,引入迁移学习能减小数据量少导致的模型偏差,提出的损失函数能优化模型的训练,特征提取模块能提取到更有效的特征。与最先进的方法相比,tpRNA在低质量输入特征的情形下具有显著的优势。

基于深度学习的散射光场成像研究进展

散射介质会改变光子的传播方向和传输路径,导致成像质量下降甚至形成散斑。理论上,散射介质的传输矩阵可以被用来恢复目标信息,但是求解传输矩阵的过程十分复杂,而且精度也受较多因素的影响。近年来,迅速发展的深度学习技术为解决散射光场成像问题提供了新思路,其作为一种求解逆问题的常用方法可以准确恢复目标信息、提高成像质量,在散射光场成像领域发挥着重要作用并涌现出了一系列突出的科研成果。基于深度学习算法中的监督学习和无监督学习,总结了现阶段基于深度学习算法的散射光场成像技术的研究进展,并从深度学习技术的网络结构、成像质量、泛化性等方面分析比较了各类智能算法成像技术性能。最后,分析了基于深度学习算法的散射光场成像技术的优势及面临的挑战,并展望了该领域未来可能的发展趋势。