ساختار آموزش بیان ژن با استفاده از معماری عمیق وشبکه عصبی کانولوشن عمیق بازگشتی و پیچشی هیبریدی برای تعیین کار زنجیره هایDNA

ژنها نقش مرکزی در فرآیندهای زیستی را بازی میکنند. فناوری ریزآرایه DNA مطالعه بیان رفتار هزاران ژن را در یک سیر ممکن ساخته است. اغلب، داده بیان ژن بهمنظور تولید ویژگیهایی برای وظایف یادگیری نظارتشده و نشده، استفاده شده است.پیشرفتهایی در زمینه یادگیری عمیق در دسترس مجموعههای معماری ایجاد شدهاند. در این مقاله، ما از معماری عمیق از قبل آموزش دیده در شیوهای بدون نظارت با استفاده از خودرمزگذار حذف نویز بهعنوان یک گام پیشپردازش برای وظیفه یادگیری نظارتنشده استفاده میکنیم. خودرمزگذار حذف نویز برای یادگیری و تولید ویژگیهایی برای وظایف یادگیری نظارتشده بیشتر استفاده شود. مدلسازی خواص و کارهای زنجیره DNA کار مهم اما چالشی در حوزه وسیع ژنومیک است. این کار بخصوص برای DNA بدون کدگذاری مشکل است، که کار آن هنوز خوب درک نشده. یک مدل پیش بینی قوی برای کار DNA می تواند مزایای بزرگی برای تحقیقات علمی داشته باشد زیرا بیش از 98% ژنوم انسان بدون کد گذاری است و 93% گونه های وابسته به بیماری در این نواحی قرار دارند. برای رفع این نیازDanQ را پیشنهاد می کنیم، که یک چهارچوب شبکه عصبی بازگشتی حافظه کوتاه مدت دو جهتی و هیبریدی جدید برای پیش بینی کار عدم کدگذاری از ابتدا از زنجیر است.

کلیدواژه ها:

بیان ژن ، خودرمزگذار ، کانولوشن ، یادگیری عمیق DanQ. ،