MS-ACGAN:基于微阵列基因表达数据的精神分裂症样本增强的修改后辅助分类器生成对抗网络

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 人工智能在医学中的应用

背景情况:

• 机器学习 (ML) 模型在精准医学中至关重要,但面临着诸如有限的生物样本等挑战,特别是在精神障碍的转录学中.
• 生成对抗网络 (GAN) 为数据增强提供了强大的解决方案,有效地扩展了小型数据集.

研究的目的:

• 提出一种基于GAN的新型模型,MS-ACGAN,用于增强转录组数据.
• 通过校准技术和置信区间来提高ML分类器的可靠性和稳定性.

主要方法:

• 开发了MS-ACGAN,这是一个使用边界高斯分布的发生器的GAN模型.
• 将校准技术应用于分类器,以准确估计概率.
• 利用信心区间来报告性能指标范围,确保可信的输出.

主要成果:

• MS-ACGAN模型有效地产生了与原始数据特征非常相似的人工转录数据.
• 校准和置信区间统计验证了实施的ML模型的可靠性.
• 定量测量 (GAN-train和GAN-test) 证实了生成数据的质量.

结论:

• MS-ACGAN成功地解决了转录组学中有限的生物标本数据的挑战.
• 拟议的方法通过改善数据可用性和模型校准,提高了精准医学中的ML模型的可靠性.
• 这项工作为利用人工智能分析复杂的生物数据提供了强有力的框架,特别是用于代表性不足或罕见的疾病.