OmicsMapNet：将组学数据转化为二维图像以利用深度卷积神经网络进行发现
机器学习
2019-05-27 v2 人工智能
机器学习
摘要
我们开发了 OmicsMapNet 方法，以利用现有深度学习框架将高维组学数据分析为二维图像。首先将各个样本的组学数据重排为二维图像，其中在功能、本体论或其他关系上相关的分子特征被组织在空间相邻且具模式化的位置。随后训练深度学习神经网络对图像进行分类。之后识别出对不同表型类别具有指示性的分子特征。作为一个示例，我们使用 KEGG BRITE 数据库将 TCGA 弥漫性胶质瘤样本的 RNA-Seq 表达数据重排为树状图（treemap），以在二维图像中捕捉基因的功能层次结构。利用 TensorFlow 中的工具推导深度卷积神经网络（CNN）来学习 TCGA LGG 和 GBM 样本的级别，并取得较高准确度。训练后 CNN 中贡献最大的特征在通路分析中被确认具有合理的功能参与。
引用
@article{arxiv.1804.05283,
title = {OmicsMapNet: Transforming omics data to take advantage of Deep Convolutional Neural Network for discovery},
author = {Shiyong Ma and Zhen Zhang},
journal= {arXiv preprint arXiv:1804.05283},
year = {2019}
}