技术进步在multi-omics(基因组学、转录组和蛋白质组学)导致了一大批从越来越多的生物分子数据序列样本。生物数据维度的快速增长是一个挑战传统的计算分析方法。人工智能(AI)最近产生了深远的影响对图像和语音识别等领域。

AI现在迅速传播到生物信息学领域,大大提高成功率和降低成本的顺序功能注释。近年来,生物信息学已引起新的重大发展一般深度学习的兴趣。例如,在学习与结构化数据的背景下,图形推理,semi-supervised学习,小说的组合优化和学习算法。

在这个特殊的问题,我们将探索潜在的应用人工智能模型及相关计算技术开采和大量生物序列数据注释和功能分析。我们欢迎原始研究和评论文章。

潜在的主题包括但不限于以下:

• 预测和分析基因调控元素
• 生物网络的重建和推理
• 预测蛋白质功能、蛋白质-蛋白质之间的关系和互动网站
• 识别疾病诊断和预后的关键基因和生物标志物
• 肽功能识别和分析
• 深度学习算法在数据分析功能表示
• 多模式数据集成在个人经历序列分析
• 神经网络图(GNN)功能预测
• 关键蛋白识别
• 从纳米孔RNA-seq数据修改DNA预测
• RNA从纳米孔RNA-seq数据修改预测
• 深度学习在protein-ligand结合位点预测