预测目标蛋白质与小分子药物之间的结合亲和力对于加快药物研究和设计过程至关重要。为了实现精确有效的亲和力预测，在药物研发过程中需要使用计算机辅助方法。近十年来，人们开发了多种计算方法，其中深度学习是最常用的方法。我们收集了几种深度学习方法，并将其分为卷积神经网络（CNN）、图神经网络（GNN）和变形器（Transformers）进行分析和讨论。首先，我们对不同的深度学习方法进行了分析，重点关注它们的

本文提出的非编码RNA家族预测模型由ncRNA序列表示学习、ncRNA结构表示学习和ncRNA家族预测3个模块组成。首先，在包含190 000个一级序列结构的大规模哺乳动物nc RNA数据集上预训练BERT。然后，我们使用图神经网络对ncRNA的二级结构进行建模，并通过对比学习的方式将其与BERT模型相结合，使得两种模型提取的特征之间能够进行交互。最后，使用注意力机制将这两类特征进行融合，然后输入

预测目标蛋白质与小分子药物之间的结合亲和力对于加快药物研究和设计过程至关重要。为了实现精确有效的亲和力预测，在药物研发过程中需要使用计算机辅助方法。近十年来，人们开发了多种计算方法，其中深度学习是最常用的方法。我们收集了几种深度学习方法，并将其分为卷积神经网络（CNN）、图神经网络（GNN）和变形器（Transformers）进行分析和讨论。首先，我们对不同的深度学习方法进行了分析，重点关注它们的

线性地将查询、键和值投影到不同的子空间中，允许模型从不同的角度理解输入序列，并利用输入句子序列中有关令牌之间关系的信息。第一，头的数量总是手动设置的，并且不清楚在面对新的NLP任务时，我们应该设置多少头才能达到最佳性能。第二，当这些头将自注意力机制中的查询、键和值投影到不同的子空间时，它们的实际意义缺乏合理的解释。1.引入了分歧正则化来多样化注意力分布，增强了模型捕获不同特征的能力。2.提出了一种

预测目标蛋白质与小分子药物之间的结合亲和力对于加快药物研究和设计过程至关重要。为了实现精确有效的亲和力预测，在药物研发过程中需要使用计算机辅助方法。近十年来，人们开发了多种计算方法，其中深度学习是最常用的方法。我们收集了几种深度学习方法，并将其分为卷积神经网络（CNN）、图神经网络（GNN）和变形器（Transformers）进行分析和讨论。首先，我们对不同的深度学习方法进行了分析，重点关注它们的

摘要空间分辨转录组学技术能够全面测量完整组织背景下的基因表达模式。然而，现有技术存在分辨率低或测序深度浅的问题。在此，我们提出了一种基于深度学习的方法 DIST，它能对未测量位置的基因表达谱进行推算，并通过自我监督学习和迁移学习来增强原始测量点和推算点的基因表达。我们评估了 DIST 在估算、聚类、差异表达分析和功能富集分析方面的性能。结果表明，DIST 可以准确地估算基因表达量，提高低质量数据的

预测目标蛋白质与小分子药物之间的结合亲和力对于加快药物研究和设计过程至关重要。为了实现精确有效的亲和力预测，在药物研发过程中需要使用计算机辅助方法。近十年来，人们开发了多种计算方法，其中深度学习是最常用的方法。我们收集了几种深度学习方法，并将其分为卷积神经网络（CNN）、图神经网络（GNN）和变形器（Transformers）进行分析和讨论。首先，我们对不同的深度学习方法进行了分析，重点关注它们的

摘要空间分辨转录组学技术能够全面测量完整组织背景下的基因表达模式。然而，现有技术存在分辨率低或测序深度浅的问题。在此，我们提出了一种基于深度学习的方法 DIST，它能对未测量位置的基因表达谱进行推算，并通过自我监督学习和迁移学习来增强原始测量点和推算点的基因表达。我们评估了 DIST 在估算、聚类、差异表达分析和功能富集分析方面的性能。结果表明，DIST 可以准确地估算基因表达量，提高低质量数据的

摘要蛋白质 N-磷酸化广泛存在于自然界中，并参与各种生物过程。然而，与 O 型磷酸化相比，目前有关 N 型磷酸化的知识极为有限。在这项研究中，我们从 39 个物种的 7344 个蛋白质中收集了 11,710 个经实验验证的 N-磷酸化位点，随后构建了 Nphos 数据库，以分享蛋白质 N-磷酸化的最新信息。在这些大量数据的基础上，我们描述了蛋白质 N-磷酸化的顺序和结构特征。此外，在比较了数百个学

预测目标蛋白质与小分子药物之间的结合亲和力对于加快药物研究和设计过程至关重要。为了实现精确有效的亲和力预测，在药物研发过程中需要使用计算机辅助方法。近十年来，人们开发了多种计算方法，其中深度学习是最常用的方法。我们收集了几种深度学习方法，并将其分为卷积神经网络（CNN）、图神经网络（GNN）和变形器（Transformers）进行分析和讨论。首先，我们对不同的深度学习方法进行了分析，重点关注它们的