ExplaiNN:用于基因组学的可解释和透明的神经网络.

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 深度学习模型,特别是卷积神经网络 (CNN),在基因组序列分析中显示出很大的前景.
• 然而,这些强大的模型的一个主要局限是它们固有的缺乏可解释性.
• 这种不透明性阻碍了它们被生物领域专家广泛采用和验证.

研究的目的:

• 介绍ExplaiNN,一个新的框架,将CNN的预测能力与线性模型的透明度结合起来.
• 为关键的基因组任务提供可解释的预测,从而弥合深度学习和生物学理解之间的差距.
• 从基因组数据提供全球 (细胞状态) 和本地 (序列特定) 生物见解.

主要方法:

• ExplaiNN将卷积神经网络 (CNN) 与可解释的线性模型组件相结合,用于特征提取.
• 该框架旨在预测转录因子 (TF) 结合,染色质可访问性和新动机发现.
• 它支持与预训练模型和注释位置重量矩阵的集成,作为一个插即用平台.

主要成果:

• 在基因组任务上,ExplaiNN实现了与现有的最先进方法相美的预测性能.
• 该模型提供了透明的预测,在全球和本地序列层面提供了清晰的生物学见解.
• 具有预测TF结合,染色质可访问性和高准确度发现de novo动机的能力.

结论:

• ExplaiNN成功地解决了基因组学深度学习中的解释性挑战.
• 该工具通过提供对基因组序列功能的透明,可操作的见解来增强生物学理解.
• ExplaiNN准备加速基因组领域专家的深度学习方法的应用.