宏基因组学中的系统发育卷积神经网络
定量方法
2017-09-08 v1 机器学习
神经与进化计算
基因组学
摘要
背景：卷积神经网络仅在数据于输入空间具有内在的邻域概念时才能有效使用，如图像中的像素那样。我们在此介绍Ph-CNN，一种基于卷积神经网络的宏基因组数据分类新型深度学习架构，使用系统发育树上定义的patristic距离作为邻近度量。变量间的patristic距离与多维缩放的稀疏化版本一起使用，将系统发育树嵌入欧氏空间。结果：Ph-CNN通过域适应方法在合成数据以及38名健康受试者和222名炎症性肠病患者的肠道微生物群宏基因组集合（分为6个子类）上进行测试。与经典算法如支持向量机、随机森林以及基线全连接神经网络（例如多层感知机）相比，分类性能是有前景的。结论：Ph-CNN代表了宏基因组数据分类的一种新型深度学习方法。在操作上，该算法已实现为自定义Keras层，注意向后续卷积层传递的不仅是数据，还有每个样本的邻域排序列表，从而透明地对用户模仿图像数据的情况。
引用
@article{arxiv.1709.02268,
title = {Phylogenetic Convolutional Neural Networks in Metagenomics},
author = {Diego Fioravanti and Ylenia Giarratano and Valerio Maggio and Claudio Agostinelli and Marco Chierici and Giuseppe Jurman and Cesare Furlanello},
journal= {arXiv preprint arXiv:1709.02268},
year = {2017}
}
备注
Presented at BMTL 2017, Naples