设定Quence和SetOmic:用于全基因组和外基因组瘤分析的深度变压器
Neringa Jurenaite1, Daniel León-Periñán2, Veronika Donath1
1Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI), TU Dresden, Chemnitzer Str 46b, Dresden, 01187, Saxony, Germany.
Bio Systems
|December 8, 2023
概括
深度学习模型,SetQuence和SetOmic,分析各种omics数据以实现个性化瘤学. 这些模型减少了信息丢失,并改善了用于癌症治疗的生物标志物发现.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 人工智能在瘤学中的应用
背景情况:
- 深度学习 (DL) 显示了个性化瘤学任务的前景,例如使用omics数据进行瘤分类.
- 奥米克数据的高维度对整合提出了挑战,通常会导致传统模型中的信息丢失.
- 现有的方法难以有效地整合多种omics数据,限制了全面的分析.
研究的目的:
- 开发新的深度学习架构,SetQuence和SetOmic,用于在瘤学中分析高维的奥米克数据.
- 提高针对个性化癌症研究的深度学习模型的效率和稳定性.
- 为了使编码和非编码变体以及其他omics数据源的综合分析.
主要方法:
- 提出了SetQuence,一个基于集变压器的深度神经网络,利用非固定的变异关联序列集进行监督学习.
- 优化了SetQuence架构,以提高处理大规模基因组和外基因组数据集的效率.
- 将SetQuence扩展到SetOmic,使变体表示能够灵活地与多个omics数据类型集成.
主要成果:
- 与以前的方法相比,开发的模型显示出更好的稳定性和更少的信息丢失.
- SetQuence和SetOmic提供了计算可处理的方法来分析复杂的,高维的奥米克数据.
- 可解释的AI方法证实了模型识别瘤中生物相关特征的能力.
结论:
- SetQuence和SetOmic通过有效地整合各种omics数据,为个性化瘤学提供了一个强大的框架.
- 这些模型促进了多方面的全基因组生物标志物发现和个性化治疗策略.
- 该方法验证了高级深度学习在推进临床瘤学任务方面的潜力.
