E-ABIN：面向生物网络异常检测的可解释模块
机器学习
2025-06-27 v1
摘要
大规模组学数据的不断涌现，催生出能够处理复杂基因表达数据集并提供可解释结果的稳健分析框架。人工智能的最新进展，使其能够识别区分疾病状态与健康对照的异常分子模式。配合模型可解释性的提升，这些工具现在支持识别可能驱动疾病表型的基因。然而，当前的基因异常检测方法往往仅限于单个数据集，且缺乏易用的图形化界面。本文引入E-ABIN，一个通用、可解释的生物网络异常检测框架。E-ABIN将经典机器学习与图基深度学习技术融合于统一、用户友好的平台中，实现从基因表达或甲基化衍生网络中进行异常检测与解释。通过集成支持向量机、随机森林、图自编码器(GAE)和图对抗属性网络(GAAN)等算法，E-ABIN在保持可解释性的同时确保高预测准确性。我们通过泌尿功能 cancer 和 coeliac disease 的案例研究，展示了E-ABIN的实用性，其有效揭示了生物学相关的异常，并为理解疾病机制提供了见解。
引用
@article{arxiv.2506.20693,
title = {E-ABIN: an Explainable module for Anomaly detection in BIological Networks},
author = {Ugo Lomoio and Tommaso Mazza and Pierangelo Veltri and Pietro Hiram Guzzi},
journal= {arXiv preprint arXiv:2506.20693},
year = {2025}
}