示例预测任务:DNA可及性、3D基因组组织、增强子-启动子互作
推荐模型:1D CNNs、RNNs、Transformers
面临的挑战:基因组中的重复区域、感兴趣的稀疏区域、非常长的序列
示例预测任务:蛋白结构、蛋白功能、蛋白互作、
推荐模型:2D CNNs and residual networks usingco-variation data、Multilayer perceptrons with windowing Transformers
面临的挑战:数据存储在许多地方,因此难以获取、数据泄漏(来自同源性)会使验证变得困难
示例预测任务:蛋白质模型改进、蛋白质模型质量评估、突变后的稳定性变化
推荐模型:GCNs using molecular graph、3D CNNs using coordinates、Traditional methods using structural features Clustering
面临的挑战:缺乏数据,特别是关于蛋白质复合体的数据、缺乏无序蛋白质的数据
示例预测任务:基因间相互作用或共表达、组织转录机制
推荐模型:Clustering、CNNs、Autoencoders
面临的挑战:共表达和功能之间的联系尚不清楚、高维、高噪音
示例预测任务:检测光谱中的峰值、代谢物注释
推荐模型:CNNs using spectral data、Traditional methods using derived features
面临的挑战:缺乏标准化的基准、不同数据集之间需要进行归一化
示例预测任务:医学图像识别、冷冻电镜图像重建、RNA测序图谱
推荐模型:2D CNNs and residual networks、Autoencoders、Traditional methods using image features
面临的挑战:数据收集的系统性差异会影响预测、难以获得一致性数据的大型数据集
示例预测任务:抗生素活性、药物毒性、蛋白质-配体对接、新型药物生成
推荐模型:GCNs using molecular graph、Traditional methods or multilayer perceptrons using molecular properties、RNNs using text-based representations of molecular structure such as SMILES、Autoencoders
面临的挑战:只有极小部分可能的小分子可以获得实验数据
示例预测任务:多药理学副作用、蛋白质功能
推荐模型:GCNs、Graph embedding
面临的挑战:互作网络可能不完整、细胞位置影响蛋白质是否互作、可能的组合数量较多