SFWN:一种新的半监督特征加权神经网络,用于基因数据特征学习和采矿,使用图形建模

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 机器学习在基因组学中的应用

背景情况:

• 基因表达数据分析对于理解生物过程至关重要.
• 对深度学习模型来说,对大型基因表达数据集进行标记是具有挑战性的.
• 现有的图形神经网络 (GNN) 可能在精度上有局限性,因为它们只专注于特征和样本空间.

研究的目的:

• 开发一种新的半监督图形神经网络模型 (SFWN) 用于基因表达数据分析.
• 为解决基因组学深度学习中标记数据不足的挑战.
• 为了提高基因表达分类的准确性和表达能力.

主要方法:

• 使用外部基因表达知识构建特征图,相似性内核和样本图.
• 提出了一种新的半监督学习算法 (SGA),用于增强数据关系提取和全球样本结构分析.
• 引入了一个用于稀疏表示和分类的图形稀疏卷积网络 (SGCN) 模块.
• 实施了一种新的特征计算方法,以克服深度学习模型中的过度平滑问题.

主要成果:

• 与最先进的方法相比,SFWN模型实现了更高的性能.
• 在基因表达分类中证明了高精度 (0.9993) 和F1-Score (0.9899).
• 实验结果证实了该模型强烈的基因表达特征,学习和表现能力.

结论:

• 拟议的SFWN模型有效地应对基因表达数据分析的挑战.
• SFWN为疾病诊断和临床实践提供了一个强大的新工具.
• 该模型为基因表达特征的学习和表示提供了新的见解.