MetDIT:用卷积神经网络转换和分析临床代谢学数据
Yuyang Sha1, Weiyu Meng1, Gang Luo1
1Center for Artificial Intelligence Driven Drug Discovery, Faculty of Applied Sciences, Macao Polytechnic University, Macau SR 999708, China.
Analytical chemistry
|February 7, 2024
概括
MetDIT是一种新的深度学习方法,有效地分析复杂的临床代谢学数据. 它将数据转化为卷积神经网络的图像,在精准医学应用中表现优于传统的机器学习.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 临床代谢学对精准医学至关重要.
- 经典的机器学习方法面临着高维,复杂的代谢学数据的挑战.
研究的目的:
- 介绍MetDIT,这是一种深度学习方法,用于分析复杂的代谢学数据.
- 提高代谢学数据分析的分类性能.
主要方法:
- 开发了TransOmics,将1D序列数据转换为2D图像,以便与CNN兼容.
- 使用NetOmics与CNN架构来提取歧视性特征.
- 实现了一个功能增强模块 (FAM) 和一个专门的损失函数,以解决过度装配和类不平衡.
- 优化模型骨干和图像分辨率以提高效率.
主要成果:
- MetDIT在三个临床代谢学数据集上展示了优异的分类性能.
- 超越了现有的机器学习方法,如随机森林,SVM,XGBoost和LightGBM.
- 该方法有效地处理了代谢学数据中的高维度和复杂的相互关联.
结论:
- MetDIT为临床代谢学数据分析提供了一种强大的新方法.
- 深度学习框架提供了增强的精准医学洞察力.
- 源代码和WebApp可用于更广泛的可访问性和应用.


