融合网络约束的多视图分解自编码器用于多组学整合分析
机器学习
2018-09-07 v1 机器学习
摘要
多组学数据为同一批患者提供了多个视图。多组学数据的整合分析对于阐明疾病病因的分子基础至关重要。然而，多组学数据存在“大 p、小 N”问题（特征数量大，但样本数量小），仅从多组学数据训练复杂的机器学习模型并使其良好泛化具有挑战性。在此我们提出一种称为带网络约束的多视图分解自编码器（Multi-view Factorization AutoEncoder with network constraints）的框架，将多组学数据与领域知识（生物相互作用网络）相整合。我们的框架采用深度表示学习同时学习特征嵌入和患者嵌入，使我们能够将特征相互作用网络和患者视图相似网络约束整合进训练目标。整个框架是端到端可微的。我们将该方法应用于 TCGA 泛癌数据集，在预测疾病无进展间隔（PFI）和患者总生存（OS）事件上取得了满意结果。代码将公开提供。
引用
@article{arxiv.1809.01772,
title = {Multi-view Factorization AutoEncoder with Network Constraints for Multi-omic Integrative Analysis},
author = {Tianle Ma and Aidong Zhang},
journal= {arXiv preprint arXiv:1809.01772},
year = {2018}
}
备注
12 pages, 2 figures