解释生物信息的神经网络,以加强蛋白质生物标志物发现和途径分析

科学领域:

• 蛋白质组学是指蛋白质组学.
• 机器学习 机器学习
• 系统生物学 系统生物学

背景情况:

• 蛋白质学中的机器学习 (ML) 有助于生物标志物和途径的发现,但往往缺乏可解释性.
• 深度神经网络 (DNN) 是强大的,但在理解它们的决策过程方面存在挑战.

研究的目的:

• 开发一种深度学习方法,将生物途径知识与可解释蛋白质组学的生物标记物识别相结合.
• 提高复杂疾病亚表型化中的ML模型的生物解释性.

主要方法:

• 将先验的生物路径和蛋白质关系知识集成到稀疏的神经网络中.
• 创建生物信息神经网络 (BINNs) 用于疾病亚表型的分化.
• 应用特征归属方法来识别BINNs中的关键蛋白质和途径.

主要成果:

• 成功区分了性急性损伤,COVID-19和急性呼吸困扰综合征的临床亚现象.
• 通过网络内观识别,确定了特定的蛋白质和生物途径,这些蛋白质和生物途径对于通过网络内观识别来区分疾病亚型至关重要.
• 开发并发布了一个免费可用的开源Python包 (BINN) 来实现该方法.

结论:

• 生物知情神经网络显著提高了ML在蛋白质组学中的可解释性.
• 这种方法通过将数据驱动的见解与生物知识相结合,促进发现与疾病相关的生物标志物和途径.
• BINNS框架为剖析复杂疾病和推进精准医学提供了有价值的工具.