avocado：多尺度深度张量分解学习人类表观基因组潜在表征

avocado：多尺度深度张量分解学习人类表观基因组潜在表征

avocado Avocado is a multi-scale deep tensor factorization model that learns a latent representation of the human epigenome and enables imputation of epigenomic experiments that have not yet been performed. 项目地址: https://gitcode.com/gh_mirrors/avocado1/avocado

项目介绍

Avocado 是一种多尺度深度张量分解方法，用于学习人类表观基因组的潜在表征。该模型的目的有两个：首先，用于预测尚未进行的表观基因组实验；其次，学习一种最新的表观基因组表征，可以替代表观基因组数据本身，作为机器学习模型的输入。

Avocado 方法已经在多个场景中得到了应用。如果可用，下面提供了预训练模型和相应的预测结果。

项目技术分析

Avocado 的核心是一种深度学习框架，通过多尺度张量分解来学习人类表观基因组的潜在表征。这种方法可以在没有实际实验数据的情况下，预测基因组范围内的表观基因组特征，这对于大规模的表观基因组学研究具有重要意义。

Avocado 使用了1,014个来自Roadmap Epigenomics Mapping Consortium (REMC)的表观基因组数据轨道，包括染色质可及性（DNase-seq）和127个人类原代细胞系和组织的23个组蛋白修饰（ChIP-seq）轨道进行训练。此外，它还使用了ENCODE项目中的3,814个表观基因组数据轨道，包括染色质可及性（DNase-seq和ATAC-seq）、基因表达测量（包括CAGE、RAMPAGE、polyA-depleted等）、组蛋白修饰和DNA结合蛋白，如转录因子。

项目技术应用场景

Avocado 的应用场景非常广泛，以下是一些典型的应用案例：

1. 预测未进行的表观基因组实验：通过Avocado，研究人员可以预测尚未进行的表观基因组实验，这对于节省实验成本和时间非常有价值。
2. 替代表观基因组数据：Avocado 学到的潜在表征可以作为机器学习模型的输入，替代直接的表观基因组数据，这在数据不可用或难以获得时尤为重要。
3. 多物种跨种间预测：通过联合建模人类和小鼠表观基因组，Avocado 可以实现跨物种的预测，这对于比较基因组学研究具有重要意义。

项目特点

1. 多尺度分析：Avocado 采用多尺度分析，可以捕捉不同尺度上的表观基因组特征，从而更全面地表征表观基因组。
2. 深度学习框架：基于深度学习，Avocado 可以学习到复杂的非线性关系，提高预测的准确性。
3. 跨物种应用：通过联合建模，Avocado 可以在人类和小鼠之间进行跨物种的预测，拓宽了其应用范围。
4. 易于使用：Avocado 提供了简洁的命令行界面和Python接口，用户可以轻松地进行表观基因组预测和学习潜在表征。
5. 高质量预测结果：Avocado 的预测结果具有高质量，与现有方法相比具有较低的错误率。

以下是一个使用Avocado进行表观基因组预测的示例：

from avocado import Avocado
model = Avocado.load("avocado-chr19")
track = model.predict("E004", "H3K36me3")

通过以上代码，我们可以得到染色体19上E004细胞类型中H3K36me3组蛋白修饰的预测结果。

总结来说，Avocado 是一个强大的开源工具，它为表观基因组学研究提供了一种高效、准确的多尺度深度学习解决方案。无论您是从事基础研究还是应用研究，Avocado 都可以帮助您更好地理解和利用表观基因组数据。通过其易于使用的接口和高质量的预测结果，Avocado 无疑会成为表观基因组学研究的重要工具。

avocado Avocado is a multi-scale deep tensor factorization model that learns a latent representation of the human epigenome and enables imputation of epigenomic experiments that have not yet been performed. 项目地址: https://gitcode.com/gh_mirrors/avocado1/avocado