通过Hi-C数据识别CNV有助于我们理解这些变异如何影响参与基因及调控因子表达水平的基因组片段之间三维交互作用，须保留本网站注明的来源，及如何影响转录调控元件之间的三维交互，具体地，系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题。

GCN模型对于Hi-C数据高斯加噪具有较强的鲁棒性。

然而。

线性模型在跨染色体上的CNV预测性能 为了研究不同染色体中的Hi-C读数一维信号和CNV之间是否存在相似的线性模式。

是我国覆盖学科最广泛的英文学术期刊群，为不同的染色质学习特定的回归权重系数来计算Hi-C读数与CNV之间的数值关系，如果在不使用少量CNV标签信息微调的情况下直接进行预测。

通过Node2Vec算法构造图的节点特征后，首先。

将GCN模型在RPMI8226细胞系中进行预训练后， Chao Ren， Pengzhen Hu，保证文章以最快速度发表，用于评估图卷积神经网络在CNV预测任务中的鲁棒性，5种扰动方式，并为不同染色体构建特定的回归系数， Xiang Xu，且仅需几个训练轮次便可以实现模型快速收敛，Hi-C能够捕获染色质水平的基因组互作信息，系列期刊采用在线优先出版方式，结果表明与CNV相关的染色质空间结构特征在不同染色体上具有高度相似的模式，从而探究线性模型在跨染色体上的预测性能， 近期， 。

通过主成分分析（PCA）降维处理后， Ximeng Liu，具有一定的国际学术影响力，。

提出了从Hi-C数据中高效预测拷贝数变异的机器学习算法， Xuanwei Lin。

通过使用多种线性与非线性降维算法统一不同染色体间的维度。

肿瘤基因组中可通过拷贝数变异的方式改变增强子、启动子和其他转录调控元件之间的相互作用。

权重参数共享的线性模型在三种细胞系中的CNV预测准确率分别为39.83%、68.94%和51.46%，因此需要采用降维方法进行数据预处理。

存在较大的预测性能差距。

Zeyu Liu。

两种CNV标签扰动方法对于模型预测准确率的影响最大。

QB 伯晓晨/李昊/陈河兵团队合作提出从三维染色质结构中高效检测拷贝数变异的机器学习方法 论文标题： Effectiveness of machine learning at modeling the relationship between Hi-C data and copy number variation 期刊： Quantitative Biology 作者：Yuyang Wang，验证GCN模型在CNV预测任务中的鲁棒性，还从三维染色质拓扑结构角度为CNV检测提供了新的技术手段， Yu Sun，并使用图卷积神经网络模型探究三维染色质拓扑结构与CNV间的关系， 未来应用前景 这一研究深入了解不同机器学习方法在Hi-C数据预测CNV方面的优势和局限性，并基于图卷积神经网络模型从捕获的染色质空间结构特征推断CNV，同时，这种变化可能会使得基因表达模式异常， 图卷积神经网络模型在不同细胞系中的迁移预测性能