基于稀疏解码的解释性多组学集成产品专家模型
机器学习
2025-11-06 v1
摘要
整合不同分子层次，即多组学数据，对于阐明疾病的复杂性至关重要；然而，大多数深度生成模型要么优先考虑预测性能而牺牲可解释性，要么通过线性化解码器来强制可解释性，从而削弱了网络的非线性表达能力。为克服这一权衡，本文引入 POEMS：一种用于解释性多组学集成的稀疏解码产品专家模型，一种无监督概率框架，在保持预测性能的同时提供可解释性。POEMS 通过 1) 使用稀疏连接将特征映射到潜在因子，直接转化为生物标志物发现， 2) 通过产品专家模型在共享潜在空间中实现跨组学关联，以及 3) 通过门控网络报告每个组学在表示学习中的贡献，提供可解释性。此外，我们还提出了一种高效稀疏解码器。在癌症亚型案例研究中，POEMS 实现了具竞争力的聚类和分类性能，同时提供了我们 novel 的一组解释，证明了生物标志物见解与预测准确性可以在多组学表示学习中共存。
引用
@article{arxiv.2511.03464,
title = {POEMS: Product of Experts for Interpretable Multi-omic Integration using Sparse Decoding},
author = {Mihriban Kocak Balik and Pekka Marttinen and Negar Safinianaini},
journal= {arXiv preprint arXiv:2511.03464},
year = {2025}
}