期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
DeepCKI:一个基于变分图自编码器预测细胞-细胞因子相互作用的生物信息学模型
被引量:
1
1
作者
朱渊
何瑞瑞
+2 位作者
刘源
朱华庆
李栋
《中国生物化学与分子生物学报》
CAS
CSCD
北大核心
2022年第8期1033-1042,共10页
细胞因子(cytokine)是一类由免疫细胞和某些非免疫细胞合成和分泌的信号分子,在免疫系统中通过结合相应受体调节细胞生长、分化和调控免疫应答。目前研究多侧重于通过实验方法检测细胞因子和受体的相互作用来研究细胞间的通讯网络,但存...
细胞因子(cytokine)是一类由免疫细胞和某些非免疫细胞合成和分泌的信号分子,在免疫系统中通过结合相应受体调节细胞生长、分化和调控免疫应答。目前研究多侧重于通过实验方法检测细胞因子和受体的相互作用来研究细胞间的通讯网络,但存在实验周期长、设备要求高和成本高等不足。因此,有必要通过计算方法来加快对细胞-细胞因子相互作用(cell-cytokine interactions,CKI)的系统研究。本文提出一种基于变分图自编码器(variational graph auto-encoder,VGAE)预测细胞-细胞因子相互作用的深度学习模型——DeepCKI。该模型可有效融合蛋白质相互作用网络和不同类型的蛋白质特征,充分挖掘网络拓扑结构和节点属性中的有效信息,实现对细胞-细胞因子相互作用的高效预测。与变分自编码和深度神经网络方法相比,采用图结构设计的DeepCKI表现出了最优的预测性能。DeepCKI模型对4种不同类型细胞-细胞因子相互作用的ROC曲线下面积均高于0.8,模型具有一定的鲁棒性和有效性。预测打分排名前100的细胞-细胞因子相互作用中,有36对已被最新发表文献验证,表明该模型具有发现新的细胞-细胞因子相互作用的能力。
展开更多
关键词
细胞-细胞因子相互作用
变分图自编码器
Deep
cki
下载PDF
职称材料
题名
DeepCKI:一个基于变分图自编码器预测细胞-细胞因子相互作用的生物信息学模型
被引量:
1
1
作者
朱渊
何瑞瑞
刘源
朱华庆
李栋
机构
安徽医科大学基础医学院
河北大学生命科学学院
军事医学研究院生命组学研究所
出处
《中国生物化学与分子生物学报》
CAS
CSCD
北大核心
2022年第8期1033-1042,共10页
基金
国家自然科学基金项目(No.32088101)资助。
文摘
细胞因子(cytokine)是一类由免疫细胞和某些非免疫细胞合成和分泌的信号分子,在免疫系统中通过结合相应受体调节细胞生长、分化和调控免疫应答。目前研究多侧重于通过实验方法检测细胞因子和受体的相互作用来研究细胞间的通讯网络,但存在实验周期长、设备要求高和成本高等不足。因此,有必要通过计算方法来加快对细胞-细胞因子相互作用(cell-cytokine interactions,CKI)的系统研究。本文提出一种基于变分图自编码器(variational graph auto-encoder,VGAE)预测细胞-细胞因子相互作用的深度学习模型——DeepCKI。该模型可有效融合蛋白质相互作用网络和不同类型的蛋白质特征,充分挖掘网络拓扑结构和节点属性中的有效信息,实现对细胞-细胞因子相互作用的高效预测。与变分自编码和深度神经网络方法相比,采用图结构设计的DeepCKI表现出了最优的预测性能。DeepCKI模型对4种不同类型细胞-细胞因子相互作用的ROC曲线下面积均高于0.8,模型具有一定的鲁棒性和有效性。预测打分排名前100的细胞-细胞因子相互作用中,有36对已被最新发表文献验证,表明该模型具有发现新的细胞-细胞因子相互作用的能力。
关键词
细胞-细胞因子相互作用
变分图自编码器
Deep
cki
Keywords
cell-cytokine
interactions
(
cki
)
variational graph auto-encoder
Deep
cki
分类号
R392-3 [医药卫生—免疫学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
DeepCKI:一个基于变分图自编码器预测细胞-细胞因子相互作用的生物信息学模型
朱渊
何瑞瑞
刘源
朱华庆
李栋
《中国生物化学与分子生物学报》
CAS
CSCD
北大核心
2022
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部