MPVNN：用于癌症特异性生存风险可解释预测的突变通路可视神经网络架构
定量方法
2022-11-17 v1 机器学习
摘要
利用基因表达数据进行生存风险预测在癌症治疗决策中十分重要。标准神经网络（NN）生存分析模型是缺乏可解释性的黑箱。更具可解释性的可视神经网络（VNN）架构是利用生物通路知识设计的。但它们并未对特定癌症类型的通路结构如何改变进行建模。我们提出了一种新颖的突变通路 VNN 即 MPVNN 架构，该架构利用先验信号通路知识以及基于基因突变数据的边随机化来模拟信号流中断而设计。作为一个案例研究，我们使用 PI3K-Akt 通路，并展示了 MPVNN 在癌症特异性生存风险预测结果上相对于标准非 NN 及其他类似规模 NN 生存分析方法的整体改进。我们表明，训练后的 MPVNN 架构解释指向 PI3K-Akt 通路内由信号流连接的较小基因集合，这些基因对特定癌症类型的风险预测十分重要，且该解释是可靠的。
引用
@article{arxiv.2202.00882,
title = {MPVNN: Mutated Pathway Visible Neural Network Architecture for Interpretable Prediction of Cancer-specific Survival Risk},
author = {Gourab Ghosh Roy and Nicholas Geard and Karin Verspoor and Shan He},
journal= {arXiv preprint arXiv:2202.00882},
year = {2022}
}
备注
11 pages, 2 figures