weixin_43960843的博客

对于蛋白质序列，计分矩阵主要用于记录在做序列比对时两个相对应的残基的相似度，一旦这个矩阵定义好了以后，比对程式就可以利用这个矩阵，尽量将相似的残基排在一起，以达到最好的比对。得分矩阵主要有两种，第一种就是PAM（Point Accepted Multation)，另一种就是BLOSUM。1、PAM矩阵（Point Accepted Mutation）基于进化的点突变模型，如果两种氨基酸替换频繁，说明自然界接受这种替换，那么这对氨基酸替换得分就高。一个PAM就是一个进化的变异单位, 即1%的氨基酸改变，

开源项目：https://github.com/HYsxe/ACME问题：预测肽-MHC相互作用。为什么：与MHC分子结合的肽在肿瘤治疗疫苗的开发中起着至关重要的作用。以往对单个等位基因训练模型，泛特定算法也只是采用了简单的模型结构，表现有限。方法流程：本文提出新的泛特异性算法ACME。ACME首先将编码肽和MHC伪序列通过一个卷积层进行初始特征提取，然后将提取的特征映射发送到卷积模块和注意模块。卷积模块：MHC特征图经过0轮、1轮、2轮的最大汇集层、卷积操作后分别与肽特征图连接，再接完全连

摘要基于RNN对序列EHR进行建模存在三个问题：1、 无法捕捉患者病情的细粒度发展模式2、 没有考虑患者人口统计数据和历史诊断的影响3、 RNN中隐藏的状态向量难以解释。本文提出CAMP模型，将历史诊断、细粒度状况、统计数据与共注意力紧密结合，模型通过一个关键值记忆网络扩充RNN，同时将疾病分类合并到记忆网络中，实现细粒度分析，实例化了记忆网络的读/写操作。关键值记忆网络是将不同类别的信息分别储存在不同的存储槽中，相比RNN有更长的记忆能力。CAMP模型主要有记忆增强序列编码器和基于共同注意

论文链接：http://www.jiqizhixin.com/wp-content/uploads/2015/11/5.-LSTM_-A-Search-Space-Odyssey-.pdf摘要  本文首次对语音识别、手写识别和复调音乐建模这三个具有代表性的任务中的八个LSTM变体进行了大规模分析。使用随机搜索对每个任务的所有LSTM变体的超参数分别进行优化，并使用FANOVA框架评估其重要性。我们总结了5400次实验运行（约15年的CPU时间）的结果。  我们的结果表明，没有一种变体能够显著改善标准L

论文： https://ieeexplore.ieee.org/document/8217759以往都是使用整个训练数据来构建全局模型，本文是找到与所预测个体相似的群体，然后建立个性化模型来进行预测。文章主体两大部分：相似性学习，个性化预测。相似性学习1）Basic Notations： medical codes -->ICD-9 one-hot编码–>一维向量–>多次就诊向量按时间拼接–>二维矩阵水平维度对应于医疗事件，垂直维度对应于就诊。不同的病人，就诊次数不同，通