面向基因组学序列表型预测的深度循环神经网络
神经与进化计算
2016-01-19 v3 计算工程、金融与科学
机器学习
摘要
在分析现代生物数据时，我们常面临病态问题和数据缺失，这主要归因于数据集的高维度和多重共线性。本文提出一种基于矩阵分解（MF）和深度循环神经网络（DRNNs）的系统，用于基因型填补和表型序列预测。为建模表型数据的长期依赖关系，首次采用了一种新的循环线性单元（ReLU）学习策略。所提模型在中央处理单元（CPUs）和图形处理单元（GPUs）上并行处理实现。在一组包含604个样本、1980个单核苷酸多态性（SNPs）和两个性状的基因型与表型数据上，将该模型性能与其他学习长期依赖的训练算法以及稀疏偏最小二乘（SPLS）方法进行比较。结果展示了ReLU训练算法在学习RNNs长期依赖关系上的性能。
引用
@article{arxiv.1511.02554,
title = {Deep Recurrent Neural Networks for Sequential Phenotype Prediction in Genomics},
author = {Farhad Pouladi and Hojjat Salehinejad and Amir Mohammad Gilani},
journal= {arXiv preprint arXiv:1511.02554},
year = {2016}
}
备注
The articles is accepted at DeSE 2015