中文關鍵詞：
單細胞測序 scRNA-seq， 基因調控關係，基因調控網路，調控因果關係，深度學習，機器學習
中文摘要：
基因調控網路（GRNs）揭示了生物體內基因之間的複雜相互作用，這對於理解生命系統的運作至關重要。生物技術的快速發展，特別是單細胞RNA測序（scRNA-seq），產生了大量的scRNA-eq資料，可以在單細胞水平上分析以探索基因之間的調控關係。以前用於構建GRN的模型主要旨在構建基因之間的關聯關係，但通常無法準確揭示基因之間的因果關係。因此，我們提出了一種稱為EfficientNet resDDSC（具有殘差塊和深度可分離的擴張卷積的EfficientNet）的混合深度學習模型來推斷基因之間的因果關係。該模型繼承了EfficientNet-B0的基本結構，並結合了殘差塊和擴張卷積。透過引入殘差塊，該模型在初級階段提取低階特徵的能力得到了增強。該模型將倒線性瓶頸層中的深度可分離卷積（DSC）與擴張卷積相結合，在不增加計算工作量的情況下擴充套件了模型的感受野。這種設計使該模型能夠全面揭示高維和高噪聲單細胞資料中不同基因之間的潛在關係。與現有的五個深度學習網路模型相比，EfficientNet resDDSC在四個資料集上的整體效能明顯優於其他模型。在本研究中，EfficientNet-resDDSC被進一步應用於構建癌症患者的GRN，重點研究關鍵基因BRCA1的相關調控基因，這有助於推進癌症的研究和治療策略。
官網論文（非OA訪問）：
https://link.springer.com/article/10.1007/s12539-024-00667-2
下載論文全文pdf檔案（download full-text）：
https://www.researchgate.net/profile/Aimin-Li-5/publications
https://www.researchgate.net/publication/386055781_EfficientNet-resDDSC_A_Hybrid_Deep_Learning_Model_Integrating_Residual_Blocks_and_Dilated_Convolutions_for_Inferring_Gene_Causality_in_Single-Cell_Data?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6ImhvbWUiLCJwYWdlIjoicHJvZmlsZSIsInByZXZpb3VzUGFnZSI6InByb2ZpbGUiLCJwb3NpdGlvbiI6InBhZ2VDb250ZW50In19
或者，發郵件給作者獲取全文pdf liaiminmail@gmail.com
下載開原始碼：
https://github.com/emanlee/EfficientNet-resDDSC
引用論文：
Aimin Li, Mingyue Li, Rong Fei, Saurav Mallik, Bo Hu, Yue Yu. EfficientNet-resDDSC: A Hybrid Deep Learning Model Integrating Residual Blocks and Dilated Convolutions for Inferring Gene Causality in Single-Cell Data. Interdisciplinary sciences, computational life sciences. DOI 10.1007/s12539-024-00667-2 Published 2024-Nov-22,