利用高维蛋白表达数据通过可解释深度学习刻画线粒体疾病
机器学习
2022-11-01 v1
摘要
由于对病理机制理解有限，线粒体疾病目前无法治疗。我们研究骨骼肌纤维（SM）中多种线粒体蛋白的表达，以利用成像质谱流式（IMC）发现线粒体病理涉及的进程。IMC产生高维多通道伪图像，表示组织中包括亚细胞变异在内的一组蛋白表达的空间变异。对这些图像的统计分析需要对患者肌肉活检IMC图像中数千个SM进行半自动标注。本文中，我们探究在原始IMC数据上直接使用深度学习（DL），无需任何手动预处理步骤、统计摘要或统计模型即可分析。为此，我们首先在所有可用图像通道上训练最先进的计算机视觉DL模型，包括组合与单独通道。我们观察到许多此类模型的精度优于预期。随后，我们应用与计算机视觉DL相关的最先进可解释技术，以找出这些模型预测的依据。部分所得视觉可解释图突出了图像中看似与关于肌纤维内线粒体疾病进展的最新假说一致的特征。
引用
@article{arxiv.2210.17360,
title = {Explainable Deep Learning to Profile Mitochondrial Disease Using High Dimensional Protein Expression Data},
author = {Atif Khan and Conor Lawless and Amy E Vincent and Satish Pilla and Sushanth Ramesh and A. Stephen McGough},
journal= {arXiv preprint arXiv:2210.17360},
year = {2022}
}
备注
10 pages, 11 figures