連続学習における信頼度ベースのバッチ順序付け：単一細胞RNAシーケンシングデータのためのカリキュラム学習アプローチ

科学分野:

• 計算生物学
• 機械学習
• バイオインフォマティクス

背景:

• 単一細胞RNAシーケンシング（scRNA-seq）データのような大規模データセットに対する機械学習モデルのトレーニングは、計算上およびメモリ上の課題に直面しています。
• 実験のばらつきや技術的な違いにより、多様なscRNA-seqデータセットの統合は複雑です。
• 継続学習（CL）は段階的なトレーニングを提供しますが、データバッチのシーケンシングに敏感であり、これは十分に研究されていない要因です。

研究 の 目的:

• 継続学習（CL）アルゴリズムのための新しい信頼度ベースのバッチ順序付け戦略を導入および評価すること。
• 大規模な生物学的データセットでトレーニングされた機械学習モデルの効率とパフォーマンスを向上させること。
• 異種単一細胞RNAシーケンシング（scRNA-seq）データでトレーニングする際の課題に対処すること。

主な方法:

• CLアルゴリズムのための信頼度ベースのバッチ順序付け戦略を開発しました。
• 推定された信頼度に基づいてトレーニングサンプルを優先しました。
• モデルトレーニングのために、信頼度の昇順でデータバッチを構造化しました。
• データセット内およびデータセット間の実験を使用して、複数のscRNA-seqデータセットでパフォーマンスを評価しました。

主要な成果:

• 昇順の信頼度ベースのバッチ順序付けは、scRNA-seqデータセット全体で分類パフォーマンスを一貫して向上させました。
• この戦略は、データセット内実験における中央値F1スコアで、ランダムおよび降順の順序付けを上回りました。
• 信頼度ベースの順序付けは、異なるシーケンシングプロトコルからの異種データセットでトレーニングする際のモデルの堅牢性を向上させました。

結論:

• バッチシーケンシングは、scRNA-seq分析のようなデータ集約型アプリケーションのCLワークフローを最適化する上で重要な要因です。
• 提案された信頼度ベースの順序付け戦略は、機械学習モデルの一般化と堅牢性を向上させる有望なアプローチを提供します。
• 将来の研究では、この戦略を他のドメインに拡張し、動的データセット用の適応信頼度メトリックを調査することが考えられます。