稀疏性即所需：重新审视深度学习中融合生物学通路的方法
定量方法
2025-05-08 v1 人工智能
机器学习
摘要
融合生物学信息的神经网络通常利用通路注释来提升其在生物医学应用中的性能。我们假设，整合通路的益处并非源于其生物学相关性，而是源于其引入的稀疏性。我们对所有用于预测任务的基于通路的神经网络模型进行了全面分析，批判性地评估了每项研究的贡献。基于此综述，我们筛选出部分源代码公开的方法。通过比较融合生物学信息的 SOTA 深度学习模型与其随机化对照模型，我们发现基于随机信息构建的模型在不同指标和数据集上的表现与融合生物学信息的模型同样出色。值得注意的是，在所分析的 15 个模型中，有 3 个模型的随机化版本甚至优于其融合生物学信息的对照版本。此外，融合通路信息的模型在可解释性方面并未表现出明显优势，因为随机化模型在缺乏显式通路信息的情况下，仍能识别出相关的疾病生物标志物。我们的研究结果表明，通路注释可能过于嘈杂，或未被现有方法充分探索。因此，我们提出了一种可应用于不同领域的方法论，可作为系统比较新型融合通路模型与其随机化对照模型的稳健基准。该方法使研究人员能够严格确定观察到的性能提升是否可归因于生物学洞见。
引用
@article{arxiv.2505.04300,
title = {Sparsity is All You Need: Rethinking Biological Pathway-Informed Approaches in Deep Learning},
author = {Isabella Caranzano and Corrado Pancotti and Cesare Rollo and Flavio Sartori and Pietro Liò and Piero Fariselli and Tiziana Sanavia},
journal= {arXiv preprint arXiv:2505.04300},
year = {2025}
}