MG-NET：利用伪成像进行多模态宏基因组分析
机器学习
2021-07-22 v1 基因组学
摘要
SARS-CoV-2 等新型病原体与人畜共患疾病的出现，凸显了开发能够从少量标注数据快速学习的新型诊断与干预流程的必要性。结合下一代测序的技术进步，基于宏基因组的诊断工具有望革新快速的即时诊断。然而，开发此类方法存在重大挑战，其中首要的是学习自监督表示，以便用极少量标注数据检测新型病原体特征。鉴于亲缘相近的病原体可共享超过 90% 的基因组结构，这是一项尤其困难的任务。在这项工作中，我们通过提出 MG-Net 来解决这些挑战，这是一个利用源自临床宏基因组序列的伪成像数据来融合多模态上下文的自监督表示学习框架。我们表明，所提框架能从无标注数据学习鲁棒表示，可用于下游任务（如标注数据有限的宏基因组序列分类）。大量实验表明，在每类仅给定 1000 个样本的情况下，所学特征优于当前基线宏基因组表示。
引用
@article{arxiv.2107.09883,
title = {MG-NET: Leveraging Pseudo-Imaging for Multi-Modal Metagenome Analysis},
author = {Sathyanarayanan N. Aakur and Sai Narayanan and Vineela Indla and Arunkumar Bagavathi and Vishalini Laguduva Ramnath and Akhilesh Ramachandran},
journal= {arXiv preprint arXiv:2107.09883},
year = {2021}
}
备注
To appear in MICCAI 2021