通过通路活动自编码器将先验知识融入深度学习模型
机器学习
2023-06-12 v1 人工智能
神经与进化计算
摘要
动机：尽管高通量分子谱分析(如转录组学)的计算分析取得了进展，但在简单可解释的方法与复杂但可解释性较低的方法之间仍存在二分法。此外，极少有方法尝试以生物学相关术语(如已知通路级联)来转化可解释性。反映信号事件或代谢转化的生物通路——对现有算法的微小改进或修改通常并不适用，除非已预测并验证了新颖的生物学结果。确定哪些通路与疾病相关并将此类通路数据作为先验知识融入，可增强疾病诊断、治疗与预防的预测建模与个性化策略。结果：我们提出了一种新颖的基于先验知识的深度自编码框架PAAE，及其伴随的生成变体PAVAE，用于癌症中的RNA-seq数据。通过对多种学习模型的综合比较，我们表明，尽管仅使用较小的特征集，我们的PAAE与PAVAE模型相比常用方法取得了更好的集外重建结果。此外，我们在分类任务上将我们的模型与等价基线进行比较，表明它们取得了比可访问完整输入基因集的模型更好的结果。另一结果是，使用普通变分框架可能对重建输出以及分类性能产生负面影响。最后，我们的工作直接贡献在于在提升转化医学预后能力之外，对我们的模型提供了全面的可解释性分析。
引用
@article{arxiv.2306.05813,
title = {Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders},
author = {Pedro Henrique da Costa Avelar and Min Wu and Sophia Tsoka},
journal= {arXiv preprint arXiv:2306.05813},
year = {2023}
}