ИСТИНА

Vы разработали пайплайн обработки данных GHT-SELEX, адаптировали и протестировали несколько популярных в области компьютерного зрения архитектур: ResNet, DenseNet и гибридный подход на основе первых двух (который мы называем DenseResNet). Все нейросетевые модели на основе перечисленных архитектур показали значительно более высокое качество предсказания, по сравнению с позиционной весовой матрицей – распространенной моделью сайтов связывания транскрипционных факторов. Помимо этого, мы применили ряд подходов, улучшающих качество и стабильность предсказания, например, BlurPooling, а также проанализировали работу наиболее оптимальной архитектуры, которой оказался DenseResNet, с помощью метода GradCam.