通过协作强化学习实现生物通路引导的基因选择
机器学习
2025-06-02 v1
摘要
高维基因组数据中的基因选择对于理解疾病机制和改善治疗效果至关重要。传统的特征选择方法能有效地识别预测性基因，但往往忽略了复杂的生物通路和调控网络，导致不稳定且与生物学无关的特征标签。先前的方法，如基于 Lasso 的方法和统计过滤，要么仅关注单个基因-结果关联，要么无法捕获通路级别的相互作用，这提出了一个关键挑战：如何在基因选择中整合生物通路知识同时保持统计严谨性？为了解决这一差距，我们提出了一种新颖的两阶段框架，该框架使用多智能体强化学习（MARL）将统计选择与生物通路知识相结合。首先，我们引入了一种通路引导的预过滤策略，该策略利用多种统计方法以及 KEGG 通路信息进行初始降维。接下来，为了进行精细选择，我们在 MARL 框架中将基因建模为协作智能体，其中每个智能体同时优化预测能力和生物学相关性。我们的框架通过基于图神经网络的状态表示、结合预测性能与基因中心性和通路覆盖率的奖励机制，以及使用共享记忆和集中式评论家组件的协作学习策略来整合通路知识。在多个基因表达数据集上的大量实验表明，与传统方法相比，我们的方法显著提高了预测准确性和生物学可解释性。
引用
@article{arxiv.2505.24155,
title = {Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning},
author = {Ehtesamul Azim and Dongjie Wang and Tae Hyun Hwang and Yanjie Fu and Wei Zhang},
journal= {arXiv preprint arXiv:2505.24155},
year = {2025}
}
备注
31st SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2025)