深度迁移学习
最近取得了相当大的进展，很多成果登上了各大一区TOP期刊，比如发表于Nat. Commun.的深度迁移学习新框架TransDSI、scDEAL；Nat Biomed Eng上深度迁移学习在AD治疗中的应用...
实际上，这种结合了深度学习和迁移学习的技术，
在学术界和工业界一直广受欢迎，
因为它可以在新任务上快速达到高性能，无需从头开始训练模型，
极大减少了运算时间和资源消耗
，非常适用于医学影像分析等这类数据稀缺或计算资源有限的领域。
另外，深度迁移学习还可以
提高模型的泛化能力
，这意味着模型能在未见过的数据上保持高预测准确性，从而在各种任务和领域中表现出色，也说明了深度迁移学习的应用前景之广阔。
本文分享
10篇
深度迁移学习最新论文
，包含多篇顶刊，有论文需求的同学可以直接拿来作参考，开源代码也附上了，方便大家复现。
扫码添加小享，
回复“
深度迁移
”
免费获取
全部论文+开源代码
A protein sequence-based deep transfer learning framework for identifying human proteome-wide deubiquitinase-substrate interactions
方法：
论文提出了基于蛋白质序列的深度迁移学习框架，用于识别人类蛋白质组范围内的去泛素化酶与底物之间的相互作用。这个框架名为TransDSI，它通过转移蛋白质组规模的进化信息来预测未知的DSIs，即使在训练数据不足的情况下也能有效工作。
创新点：
-
基于蛋白序列的迁移学习：TransDSI通过蛋白序列预训练解决数据不足问题。
-
解释性模块：PairExplainer解释预测结果，揭示DSI结构基础。
-
新功能视角与药物靶点发现：TransDSI助力发现新药物靶点和精准医疗。
Deep transfer learning of cancer drug responses by integrating bulk and single-cell RNA-seq data
方法：
论文提出了一种名为scDEAL的深度迁移学习框架，通过整合大规模的多细胞系RNA-seq数据，预测单细胞-癌症药物反应。scDEAL框架的核心在于将与药物相关的bulk RNA-seq数据与单细胞RNA测序数据进行协调，并转移在bulk RNA-seq数据上训练的模型来预测scRNA-seq中的药物反应。
创新点：
-
scDEAL框架利用深度迁移学习将bulk RNA-seq模型应用于单细胞数据，以预测药物反应。
-
该框架采用整合梯度方法识别关键基因，揭示药物反应机制。
-
scDEAL通过DAE和细胞类型正则化保留单细胞数据的多样性。
扫码添加小享，
回复“
