欧米克-CNN:使用一维卷积神经网络进行定量欧米克预测分析的综合管道.
Anastasia Zompola1, Aigli Korfiati2, Konstantinos Theofilatos3
1Department of Electrical and Computer Engineering, University of Patras, Patras, Greece.
Heliyon
|November 29, 2023
概括
本研究介绍了Omics-CNN,这是一个新的机器学习工具,用于使用omics数据进行疾病预测. Omics-CNN准确地识别了缺血性中风和COVID-19的诊断生物标志物,超过了现有的模型.
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
- 医疗保健中的机器学习
背景情况:
- 机器学习模型对于预测严重疾病至关重要.
- 卷积神经网络 (CNN) 是复杂的工具,有可能对OMIC数据进行分类.
- 将CNN应用于多维omics数据需要专门的方法.
研究的目的:
- 扩展卷积神经网络 (CNN) 用于多维的数据分类.
- 开发Omics-CNN,这是一个从高通量omics数据中准确和可解释的分类模型的管道.
- 为了确定诸如缺血性中风和COVID-19等疾病的诊断生物标志物.
主要方法:
- 介绍了Omics-CNN,这是一个管道,将CNN与缩小维度,预处理,集群和可解释性技术相结合.
- 对比单变量和多变量缩小维度的技术.
- 使用梯度加权类激活映射用于特征重要性分析.
主要成果:
- 应用Omics-CNN对转录组和蛋白组数据用于缺血性中风 (IS) 和COVID-19.
- 对诊断模型实现了高准确度:96%的IS和95.41%的COVID-19.
- 已经确定了IS (KRT15,VPRBP,TNFRSF4,GORASP2) 和COVID-19 (ADGRB3,VNN2,AGER,CIAPIN1) 的关键生物签名.
结论:
- 奥米克-CNN有效地解决了将CNN应用于定量奥米克数据的挑战.
- 该管道在IS和COVID-19诊断方面表现优于以前的机器学习模型.
- Omics-CNN成功地确定了疾病诊断中贡献最大的生物标志物.
