一个集成的深度学习框架,用于解释非目标代谢学数据
Leqi Tian1,2, Tianwei Yu1,2,3
1School of Data Science, The Chinese University of Hong Kong - Shenzhen, Guangdong, China.
Briefings in bioinformatics
|June 27, 2023
概括
这项研究引入了一个深度学习框架,以解决非目标代谢学中的匹配不确定性. 该方法改善了代谢物识别,并揭示了生物见解的关键代谢途径.
科学领域:
- 生物化学 生物化学
- 系统生物学 系统生物学
- 计算生物学 计算生物学
背景情况:
- 非定位代谢学对于理解生物机制和临床结果至关重要.
- 一个重大挑战是由于实验限制和复杂的生物过程,在将实验特征与已知的代谢物匹配的不确定性.
- 现有的方法在一对多的特征代谢物关系中扎,这影响了代谢物选择和途径分析的可靠性.
研究的目的:
- 开发一个集成的深度学习框架,以解决代谢学数据分析中的匹配不确定性.
- 为了同时评估代谢物的重要性,推断特征-代谢物匹配的可能性,并选择与疾病相关的代谢子网络.
- 为从复杂的代谢学数据集中发现生物机制提供一种可靠的方法.
主要方法:
- 一个集成的深度学习框架,利用一个逐渐分散的神经网络.
- 将已知的代谢网络和特征-代谢物注释关系纳入模型架构.
- 同时优化代谢物重要性,特征-代谢物匹配和疾病子网络选择.
主要成果:
- 深度学习框架有效地处理了代谢学数据中的匹配不确定性.
- 该模型在COVID-19和老鼠大脑数据集中成功识别了可解释的代谢子网络.
- 实现了对代谢物重要性,特征代谢物匹配概率和疾病子网络选择的同时评估.
结论:
- 拟议的深度学习框架为代谢学数据分析提供了一个强大的解决方案,特别是在解决特征-代谢物匹配不确定性方面.
- 这种方法提高了代谢物选择和生物解释的可靠性,促进了关键代谢途径的发现.
- 该方法具有广泛的适用性,正如其成功应用于各种数据集所示,包括来自COVID-19研究和衰老研究的数据集.
