同源性

最新推荐文章于 2024-10-26 17:43:09 发布
原创 最新推荐文章于 2024-10-26 17:43:09 发布 · 5k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#types

       sequence homology （序列同源性）：不同的DNA片段或不同的蛋白质在核苷酸序列或氨基酸序列上的相似程度。

       homologous proteins（同源蛋白质）：同源蛋白质的氨基酸序列具有明显的相似性,这种相似性称为序列同源性。具有序列同源性的蛋白质称为同源蛋白质，同源蛋白共有的相似序列称为共义序列。   

      Orthologs(直系同源)是指来自于不同物种的由垂直家系（物种形成）进化而来的蛋白，并且典型的保留与原始蛋白有相同的功能。

     旁系同源（Paralogs）是那些在一定物种中的来源于基因复制的蛋白，可能会进化出新的与原来有关的功能。

     Homologous sequences. Orthologs and Paralogs are two types of homologous sequences.

    Orthology describes genes in different species that derive from a common ancestor.Orthologous genes may or may not have the same function.

    Paralogy describes homologous genes within a single species that diverged by gene duplication. 

   

 

 

基因组学复习题
qq_67692062的博客
12-03 3126
第1章C-值悖理：生物基因组的大小同生物进化所处地位的高低无关的现象。N-值悖理：基因数目与进化程度或生物复杂性的不对应性，称之为N值悖理基因组中不同序列的DNA总长，用bp 表示。mRNA tRNA rRNA scRNA snRNA snoRNA 小分子干扰RNAtRNA rRNA scRNA snRNA snoRNA 小分子干扰RNA来源于功能基因但已失去活性的DNA序列，有沉默的假基因，也有可转录的假基因。产生假基因的原因有很多，如编码序列出现终止密码子突变，或者插入和缺失某些核苷酸使mRNA移码，造
持久的同源性和字符串真空度
04-19
我们使用来自拓扑数据分析的方法来研究字符串真空的某些分布的拓扑特征。 拓扑数据分析是一种多尺度方法，用于通过识别哪些同源性特性在很长的尺度范围内持续存在来分析数据集的拓扑特征。 我们在几种情况下应用这些技术。 我们通过关注Calabi-Yau品种和Landau-Ginzburg模型的某些分布来分析N = 2 $$ \ mathcal {N} = 2 $$真空。 然后，我们转向通量压缩，并讨论如何使用拓扑数据分析来提取物理信息。 最后，我们将这些技术应用于某些现象学上逼真的异质模型。 我们讨论使用其分布的拓扑特性来表征字符串真空的可能性。
ph_datasets:持久同源性数据集
04-28
ph_datasets 持久同源性数据集 拉巴丹实验室（Rabadan Lab）在将持久同源性应用于基因组学问题的出版物中使用了收集的数据集。 Chan，J.，Carlsson，G.和Rabadan，R.病毒进化拓扑。 美国国家科学院院刊110.46（2013）18566-18571。 pnas2013/avian_HA_nt_concat_jukes_cantor.csv ：流感的HA片段。 将具有琐碎的拓扑。 使用Jukes-Cantor度量作为距离矩阵，以列的方式排列在对角线的下部。 [Matlab的seqpdist输出] pnas2013/avian_all_nt_concat_jukes_cantor.csv ：流感的串联片段。 将具有非平凡的拓扑。 使用Jukes-Cantor度量作为距离矩阵，以列对角线的方式排列在下对角线上。 [Matlab的seqpdist输出]
序列相似性，一致性，同源定义
m0_67326897的博客
07-17 2322
比对和序列
直系同源基因分析（orthofinder方法）
热门推荐
weixin_44614936的博客
09-28 2万+
直系同源基因分析（orthofinder方法）直系同源基因判定的方法有两种orthomcl这个方法已经是应用很广泛的一个方法了，但是存在问题：solve：原理：OrthoFinder2 可以推断出正交组，基因树，基因复制事件，有根树种和广泛的比较基因组统计数据，从而实现下一代系统发育学分析。安装orthofinder安装diamond安装mcl安装FastMe测试你是否可以运行OrthoFinde...
定义同一性：历史、生物和生成同源性
06-29
定义相同性：历史、生物学和生成同源性 定义相同性：历史、生物学和生成同源性 Ann B. Butler1* 和 William M. Saidel2 总结 目前关于同源性的争论来自三个不同的研究兴趣——系统发育学、特征进化和生成途径。 系统...
精选资源
基于源代码的软件同源性分析与漏洞检测系统
01-12
跨语言同源性为 c 语言与其它语言的对比检测。 我选择的系统环境为： Win10 VS2019 QT 1.4 实验过程记录 提供系统界面 所有功能要有图形界面展示,形成完整的软件系统.可以使用 VS/QT/Python 等工具实现。 利用...
精选资源
persistent-homology-examples:计算杂项数据集持久同源性的示例
07-10
**持久同源性（Persistent Homology）简介** 持久同源性是拓扑数据分析的一个关键工具，属于计算拓扑学的范畴。它旨在捕捉和量化拓扑结构在不同尺度下的变化，尤其是在复杂数据集中的洞、连通分支等特征。这个概念...
精选资源
dionysus:用于计算持久同源性的库
05-07
Dionysus是一个专注于持久同源性的计算拓扑包。 它是用C ++编写的，带有Python绑定。 从头开始重写了第二个版本（），这有助于实现一些目标： （因为GPL在学术软件中引起太多问题）。 不依赖Boost.Python； ...
pedestrians_recognition:通过持续的同源性执行行人识别
03-04
这样做的目的是在一个玩具示例上说明持久性同源性坐标不变性的好处。 使用他们口袋中携带的智能手机的加速度传感器记录了3个行人A，B和C的行走，从而在R3中产生了3个多元时间序列：每个时间序列代表相应行人在一个...
phom_tseries:时间序列数据的持久同源性； Dionysus，Ripers，Pandas和PySpark的演示文稿和示例
05-12
Python中时间序列数据的持久同源性 此回购包含 演示文稿介绍了持久同源性的基础知识，以及对时间序列数据的一些应用 一个笔记本，其中包含使用和库的示例，以使用Pandas和PySpark为时间序列数据计算Betti数。 该计算利用了Spark 2.3中引入的Pandas UDF功能的增加。 有关同源性持久同源性的更多详细讨论，请参阅博客文章。
phat:持久同源性算法工具箱（bitbucket分支的副本，用于可见性）
05-01
PHAT（持久同源性算法工具箱），v1.5 版权所有2013–2017 IST奥地利 项目创始人 Ulrich Bauer，Michael Kerber，Jan Reininghaus 贡献者 休伯特·瓦格纳（Hubert Wagner），布林·凯勒（Bryn Keller） 资料下载 描述 该软件库包含用于计算由具有Z 2系数的有序边界矩阵表示的已过滤单元格复合体的持久对的方法。 有关持久性同源性的介绍，请参见教科书[1] 。 该软件包包含几种算法变体的代码： “标准”算法（请参阅[1] ，第153页） [2]的“行”算法（在该论文中称为pHrow） “扭曲”算法，如[3] （默认算法） [4]介绍的“块”算法 “频谱序列”算法（请参阅[1] ，第166页） 除标准算法外，所有算法都利用边界矩阵的特殊结构来获取计算的捷径。 如果PHAT​​与OpenMP支持一起编译，则块和频
基于持久同源的机器学习及其应用——调查-研究论文
06-09
一个合适的特征表示既可以保留数据的内在信息，又可以降低数据的复杂性和维度，是机器学习模型性能的关键。 持久同源（PH）深深植根于代数拓扑，在数据简化和内在结构表征之间提供了微妙的平衡，并已成功应用于各个领域。 然而，PH 和机器学习的结合受到三个挑战的极大阻碍，即数据的拓扑表示、基于 PH 的距离测量或度量以及基于 PH 的特征表示。 随着拓扑数据分析的发展，这三个问题都取得了进展，但广泛分散在不同的文献中。 在本文中，我们从计算的角度对 PH 和基于 PH 的有监督和无监督模型进行了系统回顾。 我们的重点是数学模型和工具的最新发展，包括 PH 软件和基于 PH 的函数、特征表示、内核和相似性模型。 从本质上讲，本文可以作为基于 PH 的机器学习工具实际应用的路线图。 此外，我们考虑了不同机器学习模型中的不同拓扑特征表示，并研究了它们对蛋白质二级结构分类的影响。
matlab开发-Fourier变换对DNA序列同源性的系统发生学研究
08-27
matlab开发-Fourier变换对DNA序列同源性的系统发生学研究。傅立叶变换对DNA序列或基因组的系统发育分析
生物信息学之同源性、相似性、一致性和直旁系同源
m0_72806612的博客
01-15 3562
直系同源：在物种分化过程中，相同的祖先序列被保留到各个分化物种中的序列。比如人类和啮齿动物的血红蛋白基因。（故现在可以用小白鼠来模拟人体，其也是最常用的实验材料之一）同源性：具有共同进化祖先的两条序列称为同源序列。同源性没有程度之分，要么是同源，要么非同源，高度同源这种说法是错误的。旁系同源是通过基因复制机制产生的同源序列，是在同一个物种内部的同源基因。相似性指相同和相似残基所占的程度。当两条序列同源时，常常二者具有较强的相似性。直系同源被认为具有相似的生物学功能。一致性即序列完全一致。
生信笔记：序列同源性、相似性
YangRich的博客
04-11 2万+
这是一篇阅读笔记。 原文 An Introduction to Sequence Similarity (“Homology”) Searching by William R. Pearson（ 原文地址），作者是FASTA格式的发明者之一。 同源 Homology 定义 In biology, homology is similarity due to shared ancestry betwe...
序列相似性比较与同源性分析
计算之道的博客
10-24 4460
首先应该注意区分序列相似性与序列同源性的关系，序列相似不一定同源，但是判定同源性关系的时候有些算法（Maximum likelihood除外）要考虑到序列相似性。序列相似性是将待研究序列与DNA或蛋白质序列库进行比较，用于确定该序列的生物属性，也就是找出与此序列相似的已知序列是什么，完成这一工作只需要用到两两序列比较算法，常用的程序包有BLAST，FASTA等。同源性分析是将待研究序列加入到一组与之同源，但是来自不同物种的序列中进行多序列比对，以确定该序列与其它序列间的同源性大小。
【论文阅读】Persistent Homology Based Generative Adversarial Network
开心星人的博客
10-26 1851
现有的生成模型不能充分捕捉图像的全局结构信息，使得图像生成过程中难以协调全局结构特征和局部细节特征。该文提出了一种基于持续同调的生成对抗网络（PHGAN）。本文基于持久同调方法设计了拓扑特征变换算法，并通过全连通层模块和自注意模块将拓扑特征集成到遗传神经网络的鉴别器中，使PHGAN具有良好的全局结构信息捕获能力，提高了模型的生成性能。在CIFAR10数据集和STL10数据集上对PHGAN进行了实验评估，并与几种经典的生成式对抗网络模型进行了比较。实验结果表明我们的PHGAN模型具有较好的图像生成能力。
基于源代码的软件同源性分析与漏洞检测系统（C++和QT）
毕业作品网站
11-05 1121
构造代码中可能与整数宽度溢出发生关联的变量们构成的链表，之后构造代码中与整数宽度溢出有关的函数们构成的链表，之后构造代码中与整数宽度溢出有关的缓冲区设置以及边界审查们构成的链表，本文转载自http://www.biyezuopin.vip/onews.asp?构造代码中可能与堆溢出发生关联的变量们构成的链表，之后构造代码中与堆溢出有关的函数们构成的链表，之后构造代码中与堆溢出有关的缓冲区设置以及边界审查们构成的链表，从第一行遍历代码，寻找敏感函数出现的地方，并通过对于参数等的分类讨论来判断是否会发生溢出。
同源性损失
最新发布
08-17
同源性损失（Homophily Loss）是一种在图神经网络（Graph Neural Networks, GNNs）中广泛应用的损失函数，其核心理念是基于图结构数据中的“同质性”现象，即相连的节点倾向于具有相似的属性或标签。同源性损失通过优化模型，使得图中相邻节点的表示在嵌入空间中更加接近，从而提升图神经网络在节点分类、链接预测和图分类等任务中的性能。 ### 技术解释 在图神经网络中，图结构数据由节点（顶点）和边组成，每个节点通常具有一个特征向量。图神经网络的目标是学习一个映射函数，将每个节点映射到一个低维嵌入空间。同源性损失在此过程中发挥作用，确保相邻节点的嵌入表示在该空间中更加接近。一个常见的实现方式是采用对比损失（Contrastive Loss）或三元组损失（Triplet Loss）的形式，分别优化正样本对（相邻节点）的距离最小化和负样本对（非相邻节点）的距离最大化。 例如，在图节点分类任务中，若两个节点在图中直接相连，则它们的标签很可能相同或相似。同源性损失通过最小化这两个节点的嵌入向量之间的欧氏距离来实现这一目标[^1]。类似地，在图表示学习中，同源性损失可以与图卷积网络（GCN）或图注意力网络（GAT）结合，以增强模型对图结构信息的捕捉能力。 ### 应用场景 同源性损失广泛应用于以下技术领域： - **社交网络分析**：在社交网络中，用户之间的连接往往反映了相似的兴趣、行为或社交关系。通过引入同源性损失，图神经网络可以更准确地识别社区结构、预测用户兴趣或进行影响力传播建模。 - **推荐系统**：在基于图的推荐系统中，用户和商品可以构成异构图。同源性损失有助于学习用户和商品的嵌入表示，使得具有相似偏好或属性的用户或商品在嵌入空间中更接近，从而提升推荐精度。 - **生物信息学**：在蛋白质相互作用网络或基因调控网络中，同源性损失可用于预测蛋白质功能或识别基因调控关系。通过确保功能相似的蛋白质或调控关系相近的基因在嵌入空间中靠近，提升预测准确性。 - **自然语言处理**：在知识图谱或文本图结构建模中，同源性损失可用于增强图神经网络对语义关系的理解。例如，在实体识别和关系抽取任务中，它有助于保持语义相似的实体或关系在嵌入空间中的邻近性。 ### 示例代码 以下是一个使用 PyTorch 和 PyTorch Geometric 实现图神经网络并引入同源性损失的简单示例： ```python import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class GNNWithHomophilyLoss(nn.Module): def __init__(self, num_features, hidden_dim, embedding_dim): super(GNNWithHomophilyLoss, self).__init__() self.conv1 = GCNConv(num_features, hidden_dim) self.conv2 = GCNConv(hidden_dim, embedding_dim) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = F.relu(x) x = self.conv2(x, edge_index) return x def homophily_loss(embeddings, edge_index, margin=1.0): # 提取正样本对（相连节点） src, dst = edge_index pos_embeddings = embeddings[src] pos_neighbors = embeddings[dst] pos_distance = torch.norm(pos_embeddings - pos_neighbors, dim=1) # 随机采样负样本对（非相连节点） num_nodes = embeddings.size(0) neg_indices = torch.randint(0, num_nodes, (edge_index.size(1),)) neg_embeddings = embeddings[src] neg_neighbors = embeddings[neg_indices] neg_distance = torch.norm(neg_embeddings - neg_neighbors, dim=1) # 对比损失 loss = torch.relu(pos_distance - neg_distance + margin).mean() return loss # 假设 data 是一个 PyG 的 Data 对象 model = GNNWithHomophilyLoss(num_features=64, hidden_dim=128, embedding_dim=32) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(100): model.train() optimizer.zero_grad() embeddings = model(data) loss = homophily_loss(embeddings, data.edge_index) loss.backward() optimizer.step() ``` ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值