1. 摘要    转录组和甲基化组模式是受可遗传信息和环境因素影响的两大主要基因组数据来源，已被广泛用作疾病诊断和预后的生物标志物。现代转录组和甲基化组分析技术可以检测到人类基因组中数以万计甚至数以百万计的探测残留物的状态，并对现有的特征选择算法提出了一个重大的计算挑战。本研究提出一种三步特征选择算法，TriVote，以检测具有高精确度的二分类性能的转录组或甲基化组子集。TriVote在17个转录

1. 摘要    本文提出了一个多任务深度神经网络(MT-DNN)，用于跨多个自然语言理解(NLU)任务学习表示。MT-DNN不仅利用了大量的跨任务数据，而且还受益于正则化效应，从而产生更通用的表示，以帮助适应新的任务和领域。MT-DNN扩展了Liu等人提出的模型，加入了一个预训练的双向transformer语言模型，称为BERT。MT-DNN在10个NLU任务上获得了最先进的结果，包括SNLI、

本篇推文引自：Advanced machine-learning techniques in drug discovery1. 迁移学习    如果数据量比较少，那么有一些技术可以用来规避这个问题。迁移学习就是这样一种技术，它是将从解决一项任务中获得的知识转移到另一项相关任务的过程。迁移学习是一种越来越流行的ML框架，特别是在医学图像分类中，它包含了一系列技术。迁移学习是通过从已经学习的相关任务中

本篇推文引自：Artifcial intelligence for the electrocardiogram摘要：深度学习算法可应用于大型心电图数据集，能够识别异常心律和机械功能障碍，并有助于医疗决策。1. 分子描述符计算    人工智能(AI)通过其使用基于计算机的算法优化过程和决策的能力，预计将彻底改变社会的许多方面。医疗创新对人工智能来说是一个极具前景的领域，具有巨大的社会经济潜在影响。在

本篇推文引自：Advanced machine-learning techniques in drug discovery1. 摘要：    机器学习(ML)在药物发现中的持续增长，产生了令人印象深刻的结果。随着它们的使用增加，它们的局限性也变得越来越明显。这些局限性包括它们对大数据的需求、数据的稀缺性以及缺乏可解释性。也很明显的是，这些技术并不是真正自主的，即使在部署后也需要再训练。在这篇综述中

本篇推文引自：A multimodal deep learning framework for predicting drug–drug interaction events1. 摘要    动机:药物-药物相互作用(DDIs)是药物研究的主要关注之一。很多基于机器学习的方法被提出用于DDI的预测，但大多数都是预测两种药物是否相互作用。研究发现DDIs可引起不同的后续事件，预测DDI相关事件更有助

本篇推文引自：A multimodal deep learning framework for predicting drug–drug interaction events1. 摘要    动机:药物-药物相互作用(DDIs)是药物研究的主要关注之一。很多基于机器学习的方法被提出用于DDI的预测，但大多数都是预测两种药物是否相互作用。研究发现DDIs可引起不同的后续事件，预测DDI相关事件更有助

本篇推文引自：Structure-Based Drug-Drug Interaction Detection via Expressive Graph Convolutional Networks and Deep Sets1. 摘要    在这项工作中，我们提出了一种利用图卷积网络和深集(deep sets),基于分子结构的药物药物相互作用检测方法。与传统的GCN相比，我们提出了一个更具鉴别性的

0. 什么是自注意力机制    自注意力类似于注意力机制，它们从根本上共享相同的概念和许多常见的数学运算。自注意力模块根据k个输入，返回k个输出。此模块中允许输入相互交换信息，并找出他们应该更加关注哪个输入。自注意力机制分为以下步骤:准备输入初始化权重派生键、查询和值计算输入1的注意力得分计算softmax分数与值相乘对加权值求和得到输出1为输入2和输入3重复步骤4-7注意：数学运算是向量化的，即

本篇推文引自：DPDDI: a deep predictor for drug-drug interactions1. 摘要    在本工作中，我们提出了一种新的方法(即DPDDI)，利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器，从DDI网络中提取药物的网络结构特征，从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜