Buchumschlag

Effectiveness of machine learning at modeling the relationship between Hi‐C data and copy number variation

Fuente: Wiley Open Access

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yuyang Wang, Yu Sun, Zeyu Liu, Bijia Chen, Hebing Chen, Chao Ren, Xuanwei Lin, Pengzhen Hu, Peiheng Jia, Xiang Xu, Kang Xu, Ximeng Liu, Hao Li, Xiaochen Bo
Format:	Artículo Open Access
Veröffentlicht:	Wiley 2024
Schlagworte:	Quantitative Biology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EPO: Diverse and Realistic Protein Ensemble Generation via Energy Preference Optimization
von: Sun, Yuancheng, et al.
Veröffentlicht: (2025)

How large should be the redundant numbers of copy to make a rare event probable
von: Paquin-Lefebvre, Fred, et al.
Veröffentlicht: (2022)

Predicting drug‐perturbed transcriptional responses using multi‐conditional diffusion transformer
von: Qifan Hu, et al.
Veröffentlicht: (2025)

Assessing global drivers of forest transpiration using clustered machine learning models
von: Thornwell, Morgan, et al.
Veröffentlicht: (2026)

Last-layer committee machines for uncertainty estimations of benthic imagery
von: Gillis, H. Martin, et al.
Veröffentlicht: (2025)

HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction
von: Liu, Bin, et al.
Veröffentlicht: (2024)

Association between nutritional factors, inflammatory biomarkers and cancer types: an analysis of NHANES data using machine learning
von: Liu, Yuqing, et al.
Veröffentlicht: (2025)

To Remember, To Adapt, To Preempt: A Stable Continual Test-Time Adaptation Framework for Remote Physiological Measurement in Dynamic Domain Shifts
von: Chu, Shuyang, et al.
Veröffentlicht: (2025)

Diffusional magnetic resonance imaging anonymizing with variational autoencoder
von: Yunheng Shen, et al.
Veröffentlicht: (2026)

Reliable algorithm selection for machine learning-guided design
von: Fannjiang, Clara, et al.
Veröffentlicht: (2025)

Quantum machine learning framework for longitudinal biomedical studies
von: Demidik, Maria, et al.
Veröffentlicht: (2025)

Random feature baselines provide distributional performance and feature selection benchmarks for clinical and 'omic machine learning
von: Ellis, Randall J., et al.
Veröffentlicht: (2024)

Combining machine learning with data assimilation to improve the quality of phytoplankton forecasting in a shelf sea environment
von: Banerjee, Deep S, et al.
Veröffentlicht: (2025)

PRAXIS: Case-distilled and code-verified AI agents for biological research
von: Ma, Zhenyu, et al.
Veröffentlicht: (2026)

A machine learning approach to using Quality-of-Life patient scores in guiding prostate radiation therapy dosing
von: Yang, Zhijian, et al.
Veröffentlicht: (2020)

DOME Registry: Implementing community-wide recommendations for reporting supervised machine learning in biology
von: Attafi, Omar Abdelghani, et al.
Veröffentlicht: (2024)

A comprehensive evaluation of large language models in mining gene relations and pathway knowledge
von: Muhammad Azam, et al.
Veröffentlicht: (2024)

Protein design and RNA design: Perspectives
von: Xi Chen, et al.
Veröffentlicht: (2025)

Evaluation of machine-learning models to measure individualized treatment effects from randomized clinical trial data with time-to-event outcomes
von: Roblin, Elvire, et al.
Veröffentlicht: (2025)

MDAgent: A Multi-Agent Framework for End-to-End Molecular Dynamics Research
von: Ma, Zhenyu, et al.
Veröffentlicht: (2026)

Physics‐informed multimodal learning for snapshot dental spectral reflectance prediction
von: Yujun Feng, et al.
Veröffentlicht: (2026)

Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis
von: Zhang, Zeyu, et al.
Veröffentlicht: (2024)

Persistent reachability homology in machine learning applications
von: Caputi, Luigi, et al.
Veröffentlicht: (2025)

scSCC: A swapped contrastive learning‐based clustering method for single‐cell gene expression data
von: Xiang Wang, et al.
Veröffentlicht: (2025)

T cell receptor binding prediction: A machine learning revolution
von: Weber, Anna, et al.
Veröffentlicht: (2023)

FOSS solution for Molecular Dynamics Simulation Automation and Collaboration with MDSGAT
von: Nelson, Jai Geddes, et al.
Veröffentlicht: (2025)

Identification of post-COVID-19 symptoms using brain structural MRI features: a machine learning approach
von: Reza, Abdi
Veröffentlicht: (2025)

PathRWKV: Enhancing Whole Slide Image Inference with Asymmetric Recurrent Modeling
von: Zhang, Tianyi, et al.
Veröffentlicht: (2025)

dsLassoCov: a federated machine learning approach incorporating covariate control
von: Cao, Han, et al.
Veröffentlicht: (2024)

Estimating carbon pools in the shelf sea environment: reanalysis or model-informed machine learning?
von: Skakala, Jozef
Veröffentlicht: (2025)

Deep learning for drug‐drug interaction prediction: A comprehensive review
von: Xinyue Li, et al.
Veröffentlicht: (2024)

Topological Machine Learning for Protein-Nucleic Acid Binding Affinity Changes Upon Mutation
von: Liu, Xiang, et al.
Veröffentlicht: (2025)

Fourier-enhanced Neural Networks For Systems Biology Applications
von: Xu, Enze, et al.
Veröffentlicht: (2025)

On why cancer cells require a great amount of glucose
von: Xuechen Mu, et al.
Veröffentlicht: (2025)

Evolutionary accumulation modelling in AMR: machine learning to infer and predict evolutionary dynamics of multi-drug resistance
von: Renz, Jessica, et al.
Veröffentlicht: (2024)

Can machine learning predict citizen-reported angler behavior?
von: Schmid, Julia S., et al.
Veröffentlicht: (2024)

Conversing with machines: How AI is changing the way scientists think
von: Anna Viktorovna Gavrilova, et al.
Veröffentlicht: (2026)

Simulation of snakes using vertical body bending to traverse terrain with large height variation
von: Zhang, Yifeng, et al.
Veröffentlicht: (2022)

Learning relationships in epidemiological data using graph neural networks
von: Wood, Anthony J, et al.
Veröffentlicht: (2026)

Association of normalization, non-differentially expressed genes and data source with machine learning performance in intra-dataset or cross-dataset modelling of transcriptomic and clinical data
von: Deng, Fei, et al.
Veröffentlicht: (2025)