将层次生物学先验知识注入图神经网络以进行流式细胞术预测
机器学习
2024-07-30 v4 人工智能
定量方法
摘要
在来自流式细胞术(FC)数据的血液外周血或骨髓等复杂血液学样本中，单细胞水平的预测 presents 巨大的挑战。本文探索了将层次化的先验知识注入图神经网络(GNNs)用于单细胞多类分类，以处理表格化细胞数据。通过将数据表示为图并编码类之间的层次关系，我们提出了一种层次化插拨方法，可应用于多种GNN模型，包括FCHC-GNN，旨在有效捕获单细胞FC领域中至关重要的邻域信息。对19个不同患者的 cohort进行大量实验，表明纳入层次化生物学约束的做法在多个指标上与没有此类先验知识的基准GNN相比性能显著提升。该方法凸显了结构化归纳偏置在获得复杂生物学预测任务中改进泛化能力方面的重要性。
引用
@article{arxiv.2405.18507,
title = {Injecting Hierarchical Biological Priors into Graph Neural Networks for Flow Cytometry Prediction},
author = {Fatemeh Nassajian Mojarrad and Lorenzo Bini and Thomas Matthes and Stéphane Marchand-Maillet},
journal= {arXiv preprint arXiv:2405.18507},
year = {2024}
}
备注
14 pages, ICML Conference Workshop 2024. arXiv admin note: text overlap with arXiv:2402.18610