DeepDEP：深度學習構建腫瘤依賴性圖譜
大家好呀！今天給大家介紹一篇2021年發表在Science Advances上的文章。全基因組功能缺失篩查揭示了對癌細胞增殖十分重要的基因，稱為腫瘤依賴性。然而將腫瘤依賴性關系與癌細胞的分子組成聯系起來并進一步與腫瘤聯系起來還是一個巨大的挑戰。本研究，作者提出了DeepDEP，基于深度學習模型和基因組數據可以預測癌癥依賴性。該模型對無標簽的腫瘤基因組進行無監督預訓練來改進癌癥依賴性學習。作者使用三個獨立數據集驗證DeepDEP的性能。通過系統的模型解釋，作者擴展了當前的癌癥依賴性圖譜。將DeepDEP應用于泛癌的腫瘤基因組數據并首次構建了具有臨床相關性的泛癌依賴性圖譜。總的來說，DeepDEP作為一種新的工具可以用于研究癌癥依賴性。 Predicting and characterizing a cancer dependency map of tumors with deep learning 使用深度學習預測和描述腫......閱讀全文
DeepDEP：深度學習構建腫瘤依賴性圖譜
大家好呀！今天給大家介紹一篇2021年發表在Science Advances上的文章。全基因組功能缺失篩查揭示了對癌細胞增殖十分重要的基因，稱為腫瘤依賴性。然而將腫瘤依賴性關系與癌細胞的分子組成聯系起來并進一步與腫瘤聯系起來還是一個巨大的挑戰。本研究，作者提出了DeepDEP，基于深度學習模型和
新構建！深度脈沖神經網絡學習框架“驚蜇”
中國科學院自動化所李國齊研究員和北京大學計算機學院田永鴻教授團隊合作構建出深度脈沖神經網絡學習框架“驚蜇”。它可以提供全棧式的脈沖深度學習解決方案，能夠處理神經形態數據、構建深度脈沖神經網絡、部署神經形態芯片。相關研究成果在線發表于《科學進展》雜志。圖片來源：中國科學院自動化所脈沖神經網絡被譽為第三
深度學習算法－助力精準診斷結直腸腫瘤
根據發表在《Life Science Alliance》雜志上的新研究，一種新的深度學習算法可以快速，準確地分析來自結直腸腫瘤的幾種基因組數據，以進行更準確的分類，從而有助于改善診斷和相關的治療選擇。 大腸腫瘤的發展方式各不相同，需要接受的藥物類型也不同，生存率也大不相同。通常，基于對基因表達
科學家構建深度脈沖神經網絡學習框架
脈沖神經網絡（Spiking Neural Network，SNN）被譽為第三代神經網絡，使用更低層次的生物神經系統的抽象。它既是神經科學中研究大腦原理的基本工具，又因稀疏計算、事件驅動、超低功耗的特性，備受計算科學的關注。隨著深度學習方法的引入，SNN的性能得到大幅提升，脈沖深度學習（Spik
Science：構建腫瘤浸潤T細胞的泛癌單細胞圖譜
靶向腫瘤特異性T細胞的癌癥免疫療法已使許多癌癥患者受益，但是針對不同類型的癌癥的臨床療效差異很大。腫瘤浸潤T細胞經常進入功能失調狀態，這一現象被廣泛稱為T細胞衰竭（T cell exhaustion），而效應T細胞的抗腫瘤功能受多種因素調節，包括調節性T細胞（Treg細胞）的存在。T細胞的狀態和
深度學習算法“解密”腦活動
英國《自然·醫學》雜志9月25日在線發表的一項研究，報告了一種可以分析四肢癱瘓患者大腦活動的深度學習算法。該算法已被用于向患者的前臂肌肉傳遞電刺激，從而恢復癱瘓肢體的功能性運動。 慢性癱瘓患者的生活質量可以通過腦機接口加以改善。腦機接口可以將控制運動的中樞神經系統回路和輔助設備（例如計算機光標
AI偵探敲碎深度學習黑箱
研究人員創建了能填補照片空白的神經網絡，以鑒別人工智能瑕疵。 Jason Yosinski坐在美國加州舊金山的一個小型玻璃辦公室內，陷入了對人工智能的沉思。作為優步公司的研究科學家，Yosinski正為在筆記本電腦上運行的人工智能（AI）進行“腦外科手術”。 很多AI將改變人類現代生活，例如
深度學習算法準確追蹤動物運動
根據英國《自然·神經科學》雜志8月21日在線發表的一項研究，美國哈佛大學團隊運用一種新型深度學習算法，成功追蹤動物運動及行為，其準確度可達到人工水平，而且無需采用追蹤標記物或進行費時的手動分析。專家認為，這一成果打開了海量的數據來源之門。 準確追蹤行為發生期間的身體運動部位是運動科學的一項重要
TPU將成深度學習的未來？（二）
能夠進行數據推理的第二代TPU第一代的TPU只能用于深度學習的第一階段，而新版則能讓神經網絡對數據做出推論。谷歌大腦研究團隊主管Jeff Dean表示：“我預計我們將更多的使用這些TPU來進行人工智能培訓，讓我們的實驗周期變得更加快速。”“在設計第一代TPU產品的時候，我們已經建立了一個相對
深度學習協助預測厄爾尼諾－|《自然》論文
《自然》發表的一篇論文Deep learning for multi-year ENSO forecasts報道了一種可以提前一年半預測厄爾尼諾事件的深度學習方法，克服了該領域內長期存在的一項挑戰。用來預測厄爾尼諾現象的CNN預測系統來源: Ham et al. 厄爾尼諾事件發生于太平洋東部和
TPU將成深度學習的未來？（一）
在Google I/O 2016的主題演講進入尾聲時，谷歌的CEO皮采提到了一項他們這段時間在AI和機器學習上取得的成果，一款叫做Tensor Processing Unit（張量處理單元）的處理器，簡稱TPU。在這個月看來，第一代的TPU處理器已經過時。在昨天凌晨舉行的谷歌I/O 2017
多學科交互，深度繪制細胞圖譜
大多數人類疾病實質上是細胞故障的產物。但要了解細胞的哪些部分出錯會導致疾病，科學家首先需要對細胞有完整的了解。美國加州大學圣地亞哥分校醫學院的研究人員及其合作者在24日發表于《自然》雜志上的論文中，介紹了尺度集成細胞（MuSIC）技術，這是一種結合了顯微鏡、生物化學和人工智能的技術，揭示了以前未
深度學習復興：向人工智能邁進
它是未來的一部分，我們才剛剛開始。圖片來源：BRUCE ROLFF 3年前，美國加利福尼亞州山景城神秘的谷歌X實驗室的研究人員從YouTube視頻中提取了1000萬個靜態圖像，并將其輸入“谷歌大腦”——由1000臺計算機構成的網絡，從而試圖像一個蹣跚學步的孩子一樣吸收這個世界的信息。經過3
新光學芯片可實現高效“深度學習”
美國麻省理工學院（MIT）科學家在12日出版的《自然·光學》雜志上發表論文稱，他們開發出一種全新的光學神經網絡系統，能執行高度復雜的運算，從而大大提高“深度學習”系統的運算速度和效率。 “深度學習”系統通過人工神經網絡模擬人腦的學習能力，現已成為計算機領域的研究熱門。但由于在模擬神經網絡任務中
新光學芯片可實現高效“深度學習”
美國麻省理工學院（MIT）科學家在12日出版的《自然·光學》雜志上發表論文稱，他們開發出一種全新的光學神經網絡系統，能執行高度復雜的運算，從而大大提高“深度學習”系統的運算速度和效率。 “深度學習”系統通過人工神經網絡模擬人腦的學習能力，現已成為計算機領域的研究熱門。但由于在模擬神經網絡任務中
人工智能進入“深度學習+”階段
雖然從底層技術看，ChatGPT并不算創新，但其社會影響遠遠超出了預期。這款由美國人工智能公司OpenAI開發的聊天機器人，2022年11月推出后火遍全球，成為史上增長最快的消費者應用程序。 讓機器和真人自由對話，一直是人工智能領域的重要目標之一。ChatGPT的爆火背后，其實是深度學習技術的
深度學習“見頂”不等于AI寒冬
盡管新的算法模型在推動AI向前發展，但并不意味著它們的前景可以預見，也不意味著深度學習“不可救藥”。 在當前的第三次人工智能（AI）浪潮之中，深度學習算法被認為是迄今為止“最為重大的AI革命”。此說法或許有所夸大，但深度學習對這一輪AI的大爆發而言的確功不可沒。然而，最近以來，關于深度學習算
深度學習模型成功識別胚胎發育過程
英國普利茅斯大學牽頭的研究表明，一種新的深度學習人工智能（AI）模型可通過視頻，識別出胚胎發育過程中發生的事件及其發生時間。29日發表在《實驗生物學雜志》上的論文，重點介紹了這種名為“Dev-ResNet”的模型，它能識別出動物胚胎中何時發育出了關鍵功能，包括其心臟功能、孵化、爬行，甚至死亡。普利茅
深度學習模型成功識別胚胎發育過程
英國普利茅斯大學牽頭的研究表明，一種新的深度學習人工智能（AI）模型可通過視頻，識別出胚胎發育過程中發生的事件及其發生時間。29日發表在《實驗生物學雜志》上的論文，重點介紹了這種名為“Dev-ResNet”的模型，它能識別出動物胚胎中何時發育出了關鍵功能，包括其心臟功能、孵化、爬行，甚至死亡。
深度學習框架可預測鋰電池壽命
近日，華東理工大學機械與動力工程學院、先進電池系統與安全重點實驗室教授欒偉玲課題組與國家級高層次人才、華東理工大學講席教授陳浩峰合作，在全球交通科學與技術領域期刊《交通電動化》發表論文，首次提出用于鋰電池壽命預測相關的可解釋性深度學習框架。 在鋰電池壽命預測領域，建立全面的電池老化模型是項艱巨
人臉檢測發展：從VJ到深度學習（一）
這是一個看臉的世界！自拍，我們要藝術美顏；出門，我么要靚麗美妝。上班，我們要刷臉簽到；回家，我們要看臉相親。 當手機把你的臉變得美若天仙，當考勤機認出你的臉對你表示歡迎，你知道是什么魔力讓冷冰冰的機器也變得溫情脈脈，讓呆呆的設備也變得善解人意嗎？今天就讓我們走近它們的內心，了解這些故事背后的一項
人臉檢測發展：從VJ到深度學習（二）
選好了窗口，我們開始對窗口中的圖像區域進行觀察，目的是收集證據——真相只有一個，我們要依靠證據來挖掘真相！在處理圖像的過程中，這個收集證據的環節我們稱之為特征提取，特征就是我們對圖像內容的描述。由于機器看到的只是一堆數值，能夠處理的也只有數值，因此對于圖像所提取的特征具體表示出來就是一個
人臉檢測發展：從VJ到深度學習（三）
在確定了選擇窗口的策略，設計好了提取特征的方式，并學習了一個針對人臉和非人臉窗口的分類器之后，我們就獲得了構建一個人臉檢測系統所需要的全部關鍵要素——還有一些小的環節相比之下沒有那么重要，這里暫且略去。 由于采用滑動窗口的方式需要在不同大小的圖像上的每一個位置進行人臉和非人臉窗口的判別
人臉檢測發展：從VJ到深度學習（四）
造成人臉檢測速度慢的根本原因還在于輸入規模過大，動輒需要處理幾十上百萬的窗口，如果這樣的輸入規模是不可避免的，那么有沒有可能在處理的過程中盡快降低輸入規模呢？如果能夠通過粗略地觀察快速排除掉大部分窗口，只剩下少部分窗口需要進行仔細的判別，則總體的時間開銷也會極大地降低。從這樣的想法出發，
人臉檢測發展：從VJ到深度學習（五）
在過去十幾年的探索過程中，涌現出的特征不勝枚舉，這里只選取了部分比較有代表性和反映了人們探索思路的特征進行舉例。這里所有列舉的特征都有一個共同的特點：都由科研工作者根據自己的經驗手工設計，這些特征的設計反映了人們對問題的理解和思考。雖然隨著不斷的改進，設計出的特征已經日臻完善，但直到現在
人臉檢測發展：從VJ到深度學習（六）
還有一種比較典型的結構是樹形的級聯結構，從形狀上來看其和金字塔式的級聯結構是一樣的，也是從上往下分類器的數目逐層增多，區別就在于樹形的級聯結構中沒有同一層分類器之間的橫向連接，只有相鄰層分類器之間的縱向連接，即一個窗口在同一層上不會由多個分類器進行分類，而會直接被送往下一層或者被排除。樹
深度學習在雷達中的研究綜述（一）
深度學習在雷達中的研究綜述王俊,?鄭彤,?雷鵬,?魏少明????摘要：雷達通過發射天線發射電磁波，經過不同物體反射接收到相應的反射波，對其接收結果進行分析，能得到物體距雷達的位置，徑向運動速度等信息，所以對雷達信號的分析具有重要的研究意義。近些年深度學習成為各個領域的研究熱點，而在雷達領域同樣可通過
深度學習在雷達中的研究綜述（二）
其中，?J(w,b)?為對應自編碼器代價函數，?β?為控制系數性懲罰因子權重。2.3 DBN基本原理DBN是一個概率生成模型，其建立一個觀測數據與標簽之間的聯合分布。并且DBN由多個受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)組成，典型的DBN結構如圖4所示。
基于深度學習的化纖外觀缺陷語義分割
摘要： 針對化纖外觀缺陷檢測使用基于深度學習的語義分割方法，總結了自2014年以來基于深度學習的典型語義分割方法，并在此基礎上應用到化纖外觀檢測項目上，取得了不錯的效果。 01 化纖外觀缺陷檢測背景 化纖作為紡織制造的原料，由化纖生產企業進入下游紡織企業前會收卷形成絲餅，但在絲餅
深度學習在雷達中的研究綜述（三）
3.2 基于SAE的SAR圖像處理研究SAE的特點是可自動從無標記數據中學習特征，并且給出比原始數據更好的特征描述，進一步通過該學習到的特征得到更好的分類效果。有學者將其應用于地物目標分類、艦船分類以及城市變化檢測等場景。并且通過SAE對SAR圖像進行分析，其與傳統方法相比，展現SAE具有自動學習高