Rosa Lundbye Allesøe

搜索
登录

Rosa Lundbye Allesøe

文章数：2篇

药物-组学关联

Nature子刊：利用深度学习模型挖掘药物与多组学数据间的关联

先前多项研究已经证明测序技术和多组学的快速发展，极大促进了疾病标记物的识别和精准医学的发展，但有效整合多组学数据和表型数据的规模和异质性，并且进一步深入挖掘数据间的关联仍存在较大地挑战。近日，丹麦哥本哈根大学研究人员在Nature Biotechnology发表最新研究，开发了一个基于深度学习的多组变分自编码器（MOVE），并且将这一方法应用于789名新诊断的2型糖尿病患者的多组学表型数据，以探究药物与组学表型间的关系。发现MOVE能够有效整合处理多组学和表型数据，并能更灵敏地挖掘出药物-组学间的关联，其中二甲双胍和奥美拉唑对多组学数据影响最明显，值得关注。

药物-组学关联 T2D患者研究论文基础研究深度学习模型

变体自动编码器（VAMB）

Nature子刊：宏基因组的分箱和组装的新方法

丹麦哥本哈根大学Simon Rasmussen课题组的最新研究利用深度变体自动编码器（VAMB）改进了宏基因组的组装。该项研究成果发表在2021年1月4日出版的《自然-生物技术》上。其通过将宏基因组分箱与无监督的深度学习相结合，作者展示了在不同类型和大小的数据集上与最先进的方法相比的改进。他们的发现的重要性不局限于微生物组和宏基因组学领域，因为数据集成是许多生命科学研究领域的核心过程。通过跨多个组学数据集的数据集成，将大大提高精密医学领域的未来发现。

变体自动编码器（VAMB） k-mer 序列丰度平均核苷酸同一性（ANI）深度学习