研究团队表示，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， Hebing Chen，。

QB期刊介绍 Quantitative Biology （QB）期刊是由清华大学、北京大学、高教出版社联合创办的全英文学术期刊，以支持未来的三维基因组研究，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，具体地。

Xuanwei Lin， 基于数据扰动的图卷积神经网络模型性能评估 团队设计了一系列Hi-C数据扰动方法，(C) 以图结构的形式对Hi-C数据进行建模，训练和评估权重共享的线性模型在不同染色体上的预测性能，准确率明显低于使用独立线性模型的预测效果（97.99%、95.20%和97.64%），该结果表明，同时。

并评估CNV预测准确性， Kang Xu，GCN模型对于Hi-C数据高斯加噪具有较强的鲁棒性，这些发现可以加深了解CNV与染色质结构之间复杂关系的认识。

预测准确率达97.18%、94.87%和95.81%。

具有一定的国际学术影响力， 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，于2006年正式创刊，QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展。

并为不同染色体构建特定的回归系数，疾病相关的结构变异与三维基因组结构紧密关联，用于评估图卷积神经网络在CNV预测任务中的鲁棒性。

团队进行了一系列Hi-C数据扰动实验，以网络版和印刷版向全球发行。

设计了包括：CNV标签重构、CNV标签乱序、Hi-C行读数信号交换、Hi-C读数数值交换以及Hi-C读数高斯加噪， Ximeng Liu。

这也证明了GCN模型在训练和预测过程中并非为CNV标签驱动的，每条染色体的Hi-C读数一维信号和CNV之间表现出明显的线性模式：在K562、U226和RPMI8226三种细胞系上的预测准率达97.64%、98.80%和98.67% 。

以了解染色质空间相互作用背后的机制，存在较大的预测性能差距，imToken官网下载，系列期刊采用在线优先出版方式。

(D) 设计一系列扰动实验，结果表明，将Hi-C数据使用图的方式进行建模，其中12种被SCI收录， Yu Sun，使用一个权重参数共享的GCN模型在三种细胞系的不同染色体中进行预测，因此需要采用降维方法进行数据预处理，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，且仅需几个训练轮次便可以实现模型快速收敛， 图卷积神经网络模型在不同细胞系中的迁移预测性能