用于理解 CRISPR/Cas9 脱靶酶促反应的可解释神经架构搜索与迁移学习
分子网络
2023-10-02 v2 机器学习
摘要
精细调控的酶促通路控制细胞过程，其失调可导致疾病。由于通路及细胞与基因组背景的复杂性，为这些通路建立可预测且可解释的模型具有挑战性。本文提出 Elektrum，一个深度学习框架，通过数据驱动且具生物物理可解释性的模型应对上述挑战，用于确定生化系统的动力学。首先，它利用体外动力学测定快速假设出一组高质量的动力学可解释神经网络（KINNs）集成以预测反应速率。随后采用一种新颖的迁移学习步骤，将 KINNs 作为中间层插入更深的卷积神经网络中，针对反应依赖的体内结果微调预测。Elektrum 有效利用了有限但干净的体外数据，以及复杂但充足且捕获细胞背景的体内数据。我们将 Elektrum 应用于预测 CRISPR-Cas9 脱靶编辑概率，并证明 Elektrum 取得了最先进的性能，正则化了神经网络架构，且保持了物理可解释性。
引用
@article{arxiv.2305.11917,
title = {Interpretable neural architecture search and transfer learning for understanding CRISPR/Cas9 off-target enzymatic reactions},
author = {Zijun Zhang and Adam R. Lamson and Michael Shelley and Olga Troyanskaya},
journal= {arXiv preprint arXiv:2305.11917},
year = {2023}
}
备注
23 pages, 4 figures