PINNet:一个深度的神经网络,具有阿尔茨海默氏症疾病的先前知识

科学领域:

• 计算生物学是一种计算生物学.
• 神经科学是一个神经科学.
• 基因组学就是基因组学.

背景情况:

• 阿尔茨海默病 (AD) 的早期诊断至关重要,并依赖于从血液中识别转录组签名.
• 深度学习模型对阿尔茨海默病诊断有希望,但往往缺乏解释性,阻碍生物标志物发现.

研究的目的:

• 开发一个可解释的深度学习模型,PINNet,用于预测AD患者.
• 为了分析与AD相关的生物标志物和途径的血液和大脑转录组签名.

主要方法:

• 提出了PINNet,一个深度神经网络 (DNN),结合了基因本体学或KEGG数据库的路径先前知识.
• 利用基于反向传播的解释方法来识别AD预测的基本途径和基因.

主要成果:

• 在从血液和大脑基因表达中预测AD时,PINNet表现出与没有途径信息的DNN模型相似或优于DNN模型的性能.
• PINNet确定了更多与AD相关的基因作为基本特征.
• 途径分析揭示了细胞迁移,PI3K-Akt,MAPK信号传递和血液中细胞亡的显著丰富,还有额外的途径,如大脑中的蛋白质无化和T细胞激活.

结论:

• 将路径知识集成到深度学习模型中,如PINNet,提高了解释性,并促进了与AD相关的生物路径和基因的发现.
• PINNet为生物标志物发现和理解阿尔茨海默病的分子机制提供了宝贵的工具.