基于深度主动学习的实验设计以揭示宿主靶向治疗的协同遗传相互作用
机器学习
2025-02-04 v1 定量方法
统计方法学
摘要
近期技术进步引入了研究宿主-病毒相互作用的新型高通量方法，但在感染期间测试宿主基因对之间的协同相互作用仍然相对缓慢且劳动密集。识别能有效抑制病毒复制的多个基因敲低组合，需要对所有可能靶基因对的组合空间进行搜索，而通过暴力实验是不可行的。尽管用于序贯实验设计的主动学习方法已显示出潜力，但现有方法通常局限于单基因敲低或小规模双基因敲低数据集。在本研究中，我们提出了一个集成的深度主动学习（DeepAL）框架，该框架融合了来自生物知识图谱（SPOKE，可扩展精准医学开放知识引擎）的信息，以高效搜索HIV感染中356个人类基因所有成对敲低的大规模数据集的配置空间。通过图表示学习，该框架能够生成基因的特定任务表示，同时平衡探索与利用的权衡，以精确识别高效的双基因敲低对。我们还提出了一种用于不确定性量化的集成方法，并通过通路分析对我们算法选择的基因对进行了解释。据我们所知，这是首次在相当规模（356×356矩阵）的双基因敲低实验数据上展示出有前景结果的工作。
引用
@article{arxiv.2502.01012,
title = {Deep Active Learning based Experimental Design to Uncover Synergistic Genetic Interactions for Host Targeted Therapeutics},
author = {Haonan Zhu and Mary Silva and Jose Cadena and Braden Soper and Michał Lisicki and Braian Peetoom and Sergio E. Baranzini and Shivshankar Sundaram and Priyadip Ray and Jeff Drocco},
journal= {arXiv preprint arXiv:2502.01012},
year = {2025}
}