Greenberg MVC, Bourc’his D. Las diversas funciones de la metilación del ADN en el desarrollo y la enfermedad de los mamíferos. Nat Rev Mol Cell Biol. 2019;20:590–607. https://doi.org/10.1038/s41580-019-0159-6.
Unnikrishnan A, Freeman WM, Jackson J, Wren JD, Porter H, Richardson A. El papel de la metilación del ADN en la epigenética del envejecimiento. Pharmacol Ther. 2019;195:172–85. https://doi.org/10.1016/j.pharmthera.2018.11.001.
Koch A, Joosten SC, Feng Z, de Ruijter TC, Draht MX, Melotte V, Smits KM, Veeck J, Herman JG, Van Neste L, et al. Análisis de la metilación del ADN en el cáncer: ubicación revisada. Nat Rev Clin Oncol. 2018;15:459–66. https://doi.org/10.1038/s41571-018-0004-4.
Baylin S. Metilación del ADN y silenciamiento génico en el cáncer. Nat Clin Pract Oncol. 2005;2:S4–11. https://doi.org/10.1038/ncponc0354.
Zhao LY, Song J, Liu Y, Song CX, Yi C. Mapeo de las modificaciones epigenéticas del ADN y el ARN. Célula de proteína. 2020;11:792–808. https://doi.org/10.1007/s13238-020-00733-7.
Ramsawhook AH, Lewis LC, Eleftheriou M, Abakir A, Durczak P, Markus R, Rajani S, Hannan NRF, Coyle B, Ruzov A. Inmunostinción para modificaciones de ADN: análisis computacional de imágenes confocales. J Vis Exp. 2017. https://doi.org/10.3791/56318.
Yang S, Wang Y, Chen Y, Dai Q. MASQC: la secuenciación de próxima generación ayuda a la secuenciación de tercera generación para el control de calidad en la identificación del ADN de N6-metiladenina. Geneta delantera. 2020;11:269. https://doi.org/10.3389/fgene.2020.00269.
Costello JF, Plass C. Asuntos de metilación. J Med Genet. 2001;38:285–303. https://doi.org/10.1136/jmg.38.5.285.
Chen W, Yang H, Feng P, Ding H, Lin H. iDNA4mC: identificación de sitios de ADN N4-metilcitosina en función de las propiedades químicas de los nucleótidos. Bioinformática. 2017;33:3518–23. https://doi.org/10.1093/bioinformatics/btx479.
Ehrlich M, Wang RY. 5-Metilcitosina en ADN eucariótico. Ciencia. 1981;212:1350–7. https://doi.org/10.1126/science.6262918.
Davis BM, Chao MC, Waldor MK. Entrando en la era de la epigenómica bacteriana con la secuenciación de ADN en tiempo real de una sola molécula. Curr Opin Microbiol. 2013;16:192–8. https://doi.org/10.1016/j.mib.2013.01.011.
Pataillot-Meakin T, Pillay N, Beck S. 3-metilcitosina en el cáncer: ¿una lesión de metilo subestimada? Epigenómica. 2016;8:451–4. https://doi.org/10.2217/epi.15.121.
Moore LD, Le T, Fan G. Metilación del ADN y su función básica. Neuropsicofarmacología. 2013;38:23–38. https://doi.org/10.1038/npp.2012.112.
Jones PA. Funciones de la metilación del ADN: islas, sitios de inicio, cuerpos genéticos y más. Nat Rev. Genet. 2012;13:484–92. https://doi.org/10.1038/nrg3230.
Ling C, Groop L. Epigenética: un vínculo molecular entre los factores ambientales y la diabetes tipo 2. Diabetes. 2009;58:2718–25. https://doi.org/10.2337/db09-1003.
Yao B, Jin P. Modificaciones de citosina en neurodesarrollo y enfermedades. Célula Mol Life Sci. 2014;71:405–18. https://doi.org/10.1007/s00018-013-1433-y.
Hou R, Wu J, Xu L, Zou Q, Wu YJ. Predicción computacional de la metilación de la proteína arginina basada en características de composición-transición-distribución. ACSOmega. 2020;5:27470–9. https://doi.org/10.1021/acsomega.0c03972.
Manavalan B, Hasan MM, Basith S, Gosu V, Shin TH, Lee G. Comparación empírica y análisis de herramientas de predicción de sitios de N4-metilcitosina de ADN basadas en la web. Mol Ther Nucl Acids. 2020;22:406–20. https://doi.org/10.1016/j.omtn.2020.09.010.
Khanal J, Tayara H, Zou Q, Chong KT. Identificación de sitios de ADN N4-metilcitosina en el genoma de las rosáceas con un modelo de aprendizaje profundo que se basa en la representación de características distribuidas. Comput Struct Biotechnol J. 2021;19:1612–9. https://doi.org/10.1016/j.csbj.2021.03.015.
Yu M, Ji L, Neumann DA, Chung DH, Groom J, Westpheling J, He C, Schmitz RJ. Detección de resolución de base de N 4-metilcitosina en ADN genómico usando secuenciación de bisulfito asistida por 4mC-Tet. Ácidos nucleicos Res. 2015. https://doi.org/10.1093/nar/gkv738.
Huang G, Shen Q, Zhang G, Wang P, Yu ZG. LSTMCNNsucc: un método de aprendizaje profundo basado en LSTM y CNN bidireccional para predecir los sitios de succinilación de lisina. Biomed Res Int. 2021;2021:9923112. https://doi.org/10.1155/2021/9923112.
Huang G, Zheng Y, Wu YQ, Han GS, Yu ZG. Un enfoque basado en la entropía de la información para identificar computacionalmente la butirilación de histona lisina. Geneta delantera. 2019;10:1325. https://doi.org/10.3389/fgene.2019.01325.
Huang G, Zeng W. Un modelo discreto oculto de Markov para detectar sitios de crotonillisina de histonas. PARTIDO Matemáticas comunes Comput Chem. 2016;75:717–30.
Google Académico
Lv Z, Zhang J, Ding H, Zou Q. RF-PseU: un predictor de bosque aleatorio para sitios de pseudouridina de ARN. Frente Bioeng Biotechnol. 2020;8:134. https://doi.org/10.3389/fbioe.2020.00134.
Chen W, Xing P, Zou Q. Detección de sitios de N6-metiladenosina a partir de transcriptomas de ARN utilizando máquinas de vectores de soporte de conjunto. Sci Rep. 2017;7:1–8. https://doi.org/10.1038/srep40242.
He W, Jia C, Zou Q. 4mCPred: métodos de aprendizaje automático para la predicción de sitios de ADN N4-metilcitosina. Bioinformática. 2019;35:593–601. https://doi.org/10.1093/bioinformatics/bty668.
Dai Q, Bao C, Hai Y, Ma S, Zhou T, Wang C, Wang Y, Huo W, Liu X, Yao Y, et al. MTGIpick permite una identificación robusta de islas genómicas a partir de un solo genoma. Breve Bioinforme. 2018;19:361–73. https://doi.org/10.1093/bib/bbw118.
Kulmanov M, Hoehndorf R. DeepGOPlus: predicción mejorada de la función de la proteína a partir de la secuencia. Bioinformática. 2020;36:422–9. https://doi.org/10.1093/bioinformatics/btz595.
Yu G, Zhao Y, Lu C, Wang J. HashGO: ontología de genes hash para la predicción de la función de proteínas. Computar Biol Chem. 2017;71:264–73. https://doi.org/10.1016/j.compbiolchem.2017.09.010.
Callaway E. “Cambiará todo”: la IA de DeepMind da un salto gigantesco en la resolución de estructuras proteicas. Naturaleza. 2020;588:203–5. https://doi.org/10.1038/d41586-020-03348-4.
Saberi-Movahed F, Rostami M, Berahmand K, Karami S, Tiwari P, Oussalah M, Band SS. Selección de características no supervisada regularizada dual basada en factorización de matriz y redundancia mínima con aplicación en selección de genes. Sistema basado en conocimientos. 2022;256:109884. https://doi.org/10.1016/j.knosys.2022.109884.
Azadifar S, Rostami M, Berahmand K, Moradi P, Oussalah M. Método de selección de genes de relevancia-redundancia basado en gráficos para el diagnóstico del cáncer. Comput Biol Med. 2022;147:105766. https://doi.org/10.1016/j.compbiomed.2022.105766.
Rostami M, Oussalah M, Farrahi V. Un novedoso sistema de recomendación de alimentos consciente del tiempo basado en el aprendizaje profundo y la agrupación de gráficos. Acceso IEEE. 2022;10:52508–24.
Manavalan B, Basith S, Shin TH, Wei L, Lee G. Meta-4mCpred: un metapredictor basado en secuencias para la predicción precisa del sitio de ADN 4mC mediante una representación de características efectiva. Mol Therapy-Nucl Acids. 2019;16:733–44. https://doi.org/10.1016/j.omtn.2019.04.019.
Wei L, Su R, Luan S, Liao Z, Manavalan B, Zou Q, Shi X. Las representaciones de características iterativas mejoran la predicción del sitio N4-metilcitosina. Bioinformática. 2019;35:4930–7. https://doi.org/10.1093/bioinformatics/btz408.
Manavalan B, Basith S, Shin TH, Lee DY, Wei L, Lee G. 4mCpred-EL: un marco de aprendizaje conjunto para la identificación de sitios de ADN N(4)-metilcitosina en el genoma del ratón. Células. 2019;8:1332. https://doi.org/10.3390/cells8111332.
Hasan MM, Manavalan B, Shoombuatong W, Khatun MS, Kurata H. i4mC-Mouse: Identificación mejorada de sitios de ADN N4-metilcitosina en el genoma del ratón utilizando múltiples esquemas de codificación. Comput Struct Biotechnol J. 2020;18:906–12. https://doi.org/10.1016/j.csbj.2020.04.001.
Abbas Z, Tayara H, Chong KT. 4mCPred-CNN: predicción de ADN N4-metilcitosina en el genoma del ratón utilizando una red neuronal convolucional. genes 2021;12:296. https://doi.org/10.3390/genes12020296.
Jin J, Yu Y, Wei L. Mouse4mC-BGRU: aprendizaje profundo para predecir sitios de ADN N4-metilcitosina en el genoma del ratón. Métodos. 2022;204:258–62. https://doi.org/10.1016/j.ymeth.2022.01.009.
Zulfiqar H, Khan RS, Hassan F, Hippe K, Hunt C, Ding H, Song XM, Cao R. Identificación computacional de sitios N4-metilcitosina en el genoma del ratón con método de aprendizaje automático. MBE. 2021;18:3348–63. https://doi.org/10.3934/mbe.2021167.
Li Y, Zhao Z, Teng Z, Scribante A. i4mC-EL: identificación de sitios de ADN N4-metilcitosina en el genoma del ratón mediante el aprendizaje de conjuntos. Biomed Res Int. 2021;2021:1–11. https://doi.org/10.1155/2021/5515342.
Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Representaciones distribuidas de palabras y frases y su composicionalidad. Adv Neural Inf Process Syst. 2013;26:3111–9.
Google Académico
Mikolov T, Chen K, Corrado G, Dean J. Estimación eficiente de las representaciones de palabras en el espacio vectorial. preimpresión de arXiv arXiv:13013781. 2013. https://doi.org/10.48550/arXiv.1301.3781.
Liu Q, Chen J, Wang Y, Li S, Jia C, Song J, Li F. DeepTorrent: un enfoque basado en el aprendizaje profundo para predecir los sitios de N4-metilcitosina del ADN. Breve Bioinforme. 2020. https://doi.org/10.1093/bib/bbaa124.
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Todo lo que necesita es atención. En: Actas de la 31.ª Conferencia Internacional sobre Sistemas de Procesamiento de Información Neural. Long Beach, California, Estados Unidos; 2017. pág. 6000-10
Google Académico
Devlin J, Chang MW, Lee K, Toutanova K. Bert: Entrenamiento previo de transformadores bidireccionales profundos para la comprensión del lenguaje. preimpresión de arXiv arXiv:181004805. 2018. https://doi.org/10.48550/arXiv.1810.04805.
Schuster M, Paliwal KK. Redes neuronales recurrentes bidireccionales. Proceso de transseñal IEEE. 1997;45:2673–81. https://doi.org/10.1109/78.650093.
Gu J, Wang Z, Kuen J, Ma L, Shahroudy A, Shuai B, Liu T, Wang X, Wang G, Cai J, et al. Avances recientes en redes neuronales convolucionales. Reconocimiento de patrones. 2018;77:354–77. https://doi.org/10.1016/j.patcog.2017.10.013.
Shin HC, Roth HR, Gao M, Lu L, Xu Z, Nogues I, Yao J, Mollura D, Summers RM. Redes neuronales convolucionales profundas para detección asistida por computadora: arquitecturas CNN, características de conjuntos de datos y aprendizaje de transferencia. IEEE Trans Med Imaging. 2016;35:1285–98. https://doi.org/10.1109/TMI.2016.2528162.
Inglesfield J. Un método de incrustación. J Phys C: estado sólido Phys. 1981; 14:3795.
LeCun Y, Boser B, Denker JS, Henderson D, Howard RE, Hubbard W, Jackel LD. Backpropagation aplicado al reconocimiento de códigos postales escritos a mano. Cómputo neuronal. 1989; 1: 541–51. https://doi.org/10.1162/neco.1989.1.4.541.
LeCun Y, Bottou L, Bengio Y, Haffner P. Aprendizaje basado en gradientes aplicado al reconocimiento de documentos. Proc IEEE. 1998;86:2278–324. https://doi.org/10.1109/5.726791.
Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. Imagenet: una base de datos de imágenes jerárquicas a gran escala. En: 2009 IEEE conferencia sobre visión artificial y reconocimiento de patrones: 2009. IEEE: 248–255.
Zeiler MD, Fergus R. Visualización y comprensión de redes convolucionales. En: Fleet D, Pajdla T, Schiele B, Tuytelaars T, editores. Conferencia europea sobre visión artificial. Saltador; 2014. pág. 818–33.
Google Académico
Simonyan K, Zisserman A. Redes convolucionales muy profundas para el reconocimiento de imágenes a gran escala. preimpresión de arXiv arXiv:14091556. 2014. https://doi.org/10.48550/arXiv.1409.1556.
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. Profundizando con las circunvoluciones. En: Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones: 2015. 1–9.
He K, Zhang X, Ren S, Sun J. Aprendizaje residual profundo para el reconocimiento de imágenes. En: Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones: 2016. 770–778.
Albawi S, Mohammed TA, Al-Zawi S. Comprensión de una red neuronal convolucional. En: 2017 conferencia internacional de ingeniería y tecnología (ICET): 2017. IEEE: 1–6.
Yin X, Goudriaan J, Lantinga EA, Vos J, Spiertz HJ. Una función sigmoidea flexible de crecimiento determinado. Ana Bot. 2003;91:361–71. https://doi.org/10.1093/aob/mcg029.
Fan E. Método extendido de la función tanh y sus aplicaciones a ecuaciones no lineales. Phys Lett A. 2000;277:212–8. https://doi.org/10.1016/S0375-9601(00)00725-8.
Agarap AF. Deep learning utilizando unidades lineales rectificadas (relu). preimpresión de arXiv arXiv:180308375. 2018. https://doi.org/10.48550/arXiv.1803.08375.
Olah C. Comprender las redes lstm. 2015.
Bengio Y. Aprendizaje profundo de representaciones para aprendizaje no supervisado y de transferencia. En: Actas del taller ICML sobre aprendizaje no supervisado y de transferencia: 2012. Actas del taller y la conferencia de la JMLR: 17–36.
Hochreiter S, Schmidhuber J. Memoria larga a corto plazo. Cómputo neuronal. 1997;9:1735–80. https://doi.org/10.1162/neco.1997.9.8.1735.
Lipton ZC, Berkowitz J, Elkan C. Una revisión crítica de las redes neuronales recurrentes para el aprendizaje de secuencias. preimpresión de arXiv arXiv:150600019. 2015. https://doi.org/10.48550/arXiv.1506.00019.
Hinton GE, Srivastava N, Krizhevsky A, Sutskever I, Salakhutdinov RR. Mejora de las redes neuronales al evitar la coadaptación de los detectores de características. preimpresión de arXiv arXiv:12070580. 2012. https://doi.org/10.48550/arXiv.1207.0580.
Krizhevsky A, Sutskever I, Hinton GE. Clasificación de Imagenet con redes neuronales convolucionales profundas. Adv Neural Inf Process Syst. 2012;60:84–90. https://doi.org/10.1145/3065386.
Bouthillier X, Konda K, Vincent P, Memisevic R. Abandono como aumento de datos. preimpresión de arXiv arXiv:150608700. 2015. https://doi.org/10.48550/arXiv.1506.08700.
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Abandono: una forma sencilla de evitar el sobreajuste de las redes neuronales. J Mach Aprenda Res. 2014;15:1929–58.
Google Académico
Ye P, Luan Y, Chen K, Liu Y, Xiao C, Xie Z. MethSMRT: una base de datos integradora para ADN N6-metiladenina y N4-metilcitosina generada por secuenciación en tiempo real de una sola molécula. Ácidos Nucleicos Res. 2017;45:D85–9. https://doi.org/10.1093/nar/gkw950.
Clough E, Barrett T. La base de datos ómnibus de expresión génica. En: Mathé E, Davis S, editores. Genómica estadística. Saltador; 2016. pág. 93–110.
Leinonen R, Sugawara H, Shumway M. El archivo de lectura de secuencias. Ácidos Nucleicos Res. 2010;39:D19–21. https://doi.org/10.1093/nar/gkq1019.
Li W, Godzik A. Cd-hit: un programa rápido para agrupar y comparar grandes conjuntos de secuencias de proteínas o nucleótidos. Bioinformática. 2006;22:1658–9. https://doi.org/10.1093/bioinformatics/btl158.
Relacionado:
H3AGWAS: un flujo de trabajo portátil para estudios de asociación del genoma completo | BMC Bioinformática
