XL1R-Net:可解释的AI驱动改进的L1-规范化的深度神经架构,用于NSCLC生物标志物识别
Kountay Dwivedi1, Ankit Rajpal1, Sheetal Rajpal2
1Department of Computer Science, University of Delhi, Delhi, India.
Computational biology and chemistry
|November 24, 2023
概括
这项研究使用副本数变异 (CNV) 数据和可解释AI识别了非小细胞肺癌 (NSCLC) 的新生物标志物. 七个新的生物标志物显示了NSCLC向治疗和患者生存预测的潜力.
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:
- 非小细胞肺癌 (NSCLC) 具有分子多样性,需要生物标记物识别以进行亚型和向治疗.
- 复制数变异 (CNV) 数据反映了基因组不稳定性,在NSCLC生物标志物发现方面未得到充分探索.
研究的目的:
- 使用副本数变异 (CNV) 数据识别新型NSCLC生物标志物.
- 为了利用可解释AI (XAI) 来发现和分类生物标志物.
主要方法:
- 开发了一个基于 eXplainable AI (XAI) 驱动的L1规范化的深度学习架构 (XL1R-Net) 用于NSCLC亚型化.
- 利用XAI进行特征识别,从CNV数据中发现NSCLC相关的生物标志物.
主要成果:
- 使用具有10倍交叉验证的多层感知子 (MLP) 模型实现了84.95%的分类准确性.
- 确定了20个与NSCLC相关的生物标志物,其中12个被认为是潜在的可用药物,18个与患者的生存相关.
- 通过现有文献验证了9个生物标志物,5个生物标志物通过OncoKB基因列表进行验证.
结论:
- 确定了七种新的生物标志物,需要对NSCLC治疗进行研究.
- 强调需要多组学数据集成,以充分捕捉NSCLC异质性.
- 建议未来的研究方向侧重于多组学数据集成,以更好地了解NSCLC.
