作为可解释神经网络的顺式调控生物物理模型
分子网络
2020-02-11 v2 机器学习
生物物理
定量方法
机器学习
摘要
深度学习技术在基因组学中的采用因难以机制性解释这些技术所产生的模型而受阻。近年来，为解决基因调控背景下神经网络可解释性问题，提出了多种事后归因方法。此处我们描述一种解决该问题的互补方式。我们的策略基于如下观察：两大类顺式调控机制的生物物理模型可表达为深层神经网络，其中节点和权重具有明确的物理化学解释。我们还演示了如何利用现代深度学习框架，从某些类型的海量并行报告基因分析(MPRAs)所产生的数据快速推断此类生物物理网络。这些结果提出了一种可扩展策略，利用MPRAs在广泛生物学背景下系统表征基因调控的生物物理基础。它们也凸显基因调控作为开发科学可解释深度学习方法的有前景场所。
引用
@article{arxiv.2001.03560,
title = {Biophysical models of cis-regulation as interpretable neural networks},
author = {Ammar Tareen and Justin B. Kinney},
journal= {arXiv preprint arXiv:2001.03560},
year = {2020}
}
备注
Presented at the 14th conference on Machine Learning in Computational Biology (MLCB 2019), Vancouver, Canada. Revised to add a link to code and to correct a typo in the King-Altman diagrams shown in Figure 3