具有可控变量选择的深度神经网络用于识别假设的因果遗传变异

科学领域:

• 遗传学 遗传学 是一个
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 提供高预测准确性,但在遗传研究中缺乏可解释性.
• 从基因组测序数据中识别因果遗传变异至关重要,但具有挑战性.
• DNN的随机性导致特征选择的随机性,阻碍了可靠的遗传变异识别.

研究的目的:

• 开发一种可扩展和强大的DNN在遗传研究中的可变选择方法.
• 提高DNN的可解释性,用于识别假定的因果遗传变异.
• 提高遗传变异发现的准确性和可靠性.

主要方法:

• 提出了一个可解释的神经网络模型,通过组合稳定.
• 集成多个模仿,用于严格的错误发现率控制.
• 利用等级层来减少参数和提高计算效率.
• 实现了稳定特征选择,以尽量减少信号识别中的随机性.

主要成果:

• 提出的方法证明了非线性遗传变异效应的灵活建模,增加了统计能力.
• 通过使用多个仿制实现了对虚假发现率的严格控制.
• 显示了重量参数和通过等级层激活的实质性减少.
• 证明了稳定特征选择,减少识别的遗传信号中的随机性.
• 在广泛的模拟研究和阿尔茨海默病遗传学分析中,超越了传统的线性和非线性方法.

结论:

• 开发的可解释DNN为遗传研究中的变量选择提供了强大的和可扩展的方法.
• 与现有技术相比,该方法显著提高了因果遗传变异的发现.
• 这种方法有望推动遗传研究,特别是在阿尔茨海默氏症等复杂疾病中.