利用自监督边特征与图神经网络洞察SARS-CoV-2感染及COVID-19严重程度
机器学习
2020-12-16 v2 基因组学
机器学习
摘要
从分子和细胞层面理解SARS-CoV-2如何差异性感染并导致重症COVID-19，仍是开发终结大流行干预措施的瓶颈。我们试图通过深度学习研究SARS-CoV-2感染与COVID-19严重程度的生物学机制，识别与SARS-CoV-2感染及COVID-19严重程度相关的转录组模式和细胞类型。为此，我们开发了一种生成自监督边特征的新方法。我们提出一个基于图注意力网络(GAT)的模型，利用自监督学习创建边特征，并通过Set Transformer吸收这些边特征。该模型在给定转录组预测单个细胞疾病状态方面取得显著改进。我们将模型应用于SARS-CoV-2感染的肺类器官和COVID-19患者支气管肺泡灌洗液样本的单细胞RNA测序数据集，在两个数据集上均凭借我们的模型取得了最先进的性能。随后我们借鉴可解释人工智能(XAI)领域方法，识别随时间区分旁观者细胞与感染细胞以及中度与重度COVID-19疾病的特征(基因)和细胞类型。据我们所知，这是首次应用深度学习基于单细胞组学数据识别SARS-CoV-2感染与COVID-19严重程度的分子和细胞决定因素。
引用
@article{arxiv.2006.12971,
title = {Gaining Insight into SARS-CoV-2 Infection and COVID-19 Severity Using Self-supervised Edge Features and Graph Neural Networks},
author = {Arijit Sehanobish and Neal G. Ravindra and David van Dijk},
journal= {arXiv preprint arXiv:2006.12971},
year = {2020}
}
备注
To appear at AAAI'21. Previous version (v2) accepted as a spotlight talk at ICML 2020 Workshop on Graph Representation Learning and Beyond (GRL+) and recipient of best paper award for Covid-19 applications. Significant improvements over v2