面向结构化组学的卷积神经网络：OmicsCNN与OmicsConv层
定量方法
2017-10-18 v1 机器学习
摘要
卷积神经网络是一种流行的深度学习架构，广泛应用于不同领域，特别是在图像分类中，滤波器卷积的概念自然适用。然而，输入特征空间中对距离（或至少邻域函数）的要求迄今为止阻碍了其在组学数据等数据类型上的直接应用。不过，许多组学数据是可度量化的，即它们可以被赋予度量结构，从而能够采用基于卷积的深度学习框架，例如用于预测。我们提出了一种针对组学数据的CNN广义解决方案，通过一个专用的Keras层实现。具体而言，对于宏基因组学数据，可以从系统发育树上的谱系距离导出度量。对于转录组学数据，我们结合Gene Ontology语义相似性和基因共表达来定义距离；该函数通过一个多层网络定义，其中3层由GO相互语义相似性定义，而第4层由基因共表达定义。作为一种通用工具，组学数据上的特征距离由新型Keras层OmicsConv实现，从而构成专用深度学习框架OmicsCNN。我们在炎症性肠病（IBD）16S数据的肠道微生物群测序数据上展示了OmicsCNN，首先使用合成数据，然后使用222名IBD患者的肠道微生物群宏基因组学数据集。
引用
@article{arxiv.1710.05918,
title = {Convolutional neural networks for structured omics: OmicsCNN and the OmicsConv layer},
author = {Giuseppe Jurman and Valerio Maggio and Diego Fioravanti and Ylenia Giarratano and Isotta Landi and Margherita Francescatto and Claudio Agostinelli and Marco Chierici and Manlio De Domenico and Cesare Furlanello},
journal= {arXiv preprint arXiv:1710.05918},
year = {2017}
}
备注
7 pages, 3 figures. arXiv admin note: text overlap with arXiv:1709.02268