探索GAN在生物序列分析中的潜力
机器学习
2023-03-07 v1 定量方法
摘要
生物序列分析是深入理解序列潜在功能、结构和行为的重要步骤。它有助于识别相关生物（如病毒等）的特征，并构建预防机制以消除其传播和影响，因为已知病毒会引起可能在全球范围内成为大流行的流行病。机器学习（ML）技术为生物序列分析提供了新工具，可有效分析序列的功能和结构。然而，这些基于ML的方法面临与生物序列数据集通常相关的数据不平衡挑战，这阻碍了它们的性能。尽管存在各种策略来解决此问题，如创建合成数据的SMOTE算法，但它们关注局部信息而非整体类分布。在这项工作中，我们探索了一种基于生成对抗网络（GANs）处理数据不平衡问题的新方法，其利用整体数据分布。GANs用于生成与真实数据高度相似的合成数据，因此所生成的数据可通过消除类不平衡问题来增强ML模型在生物序列分析中的性能。我们使用3个不同序列数据集（Influenza A Virus、PALMdb、VDjDB）执行3种不同的分类任务，结果表明GANs能够提升整体分类性能。
引用
@article{arxiv.2303.02421,
title = {Exploring The Potential Of GANs In Biological Sequence Analysis},
author = {Taslim Murad and Sarwan Ali and Murray Patterson},
journal= {arXiv preprint arXiv:2303.02421},
year = {2023}
}