DeePathology：基于深度多任务学习从癌症转录组推断分子病理
机器学习
2019-08-14 v2 机器学习
定量方法
摘要
尽管取得了巨大进展，分子癌症病理学往往局限于使用少量生物标志物而非整个转录组，部分原因是计算上的挑战。在此，我们引入一种新颖的深度神经网络（DNNs）架构，能够通过多任务和迁移学习同时推断生物样本的各种属性。它将整个转录谱编码为一个大小仅为 8 的极低维潜在向量，并由此恢复 mRNA 和 miRNA 表达谱、组织及疾病类型。该潜在空间在基于组织和疾病区分样本方面显著优于原始基因表达谱。我们在来自 27 个组织的 34 类（1 类健康，33 类不同类型癌症）共 10787 个临床样本的 mRNA 转录谱上应用了该架构。我们的方法在预测每个样本的组织来源、正常或疾病状态以及癌症类型方面显著优于先前工作和经典机器学习方法。对于含有多于一种癌症类型的组织，其在识别正确癌症亚型上达到 99.4% 的准确率。我们还表明该系统对噪声和缺失值非常鲁棒。总之，我们的结果凸显了人工智能在分子癌症病理学和肿瘤学研究中的应用。DeePathology 可在 \url{https://github.com/SharifBioinf/DeePathology} 免费获取。
引用
@article{arxiv.1808.02237,
title = {DeePathology: Deep Multi-Task Learning for Inferring Molecular Pathology from Cancer Transcriptome},
author = {Behrooz Azarkhalili and Ali Saberi and Hamidreza Chitsaz and Ali Sharifi-Zarchi},
journal= {arXiv preprint arXiv:1808.02237},
year = {2019}
}