DTox:一个基于视觉镜片的深度神经网络,用于大规模的毒基因组学数据

科学领域:

• 毒素基因组学 毒素基因组学
• 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:

• 大规模的omics数据,特别是转录组数据,对于安全药理学和化学风险评估至关重要.
• 传统的生物信息学方法与毒基因组数据 (时间,剂量,基因表达) 的高维度作斗争.
• 专家视觉检查有助于识别重要的基因,但耗时.

研究的目的:

• 开发一种高效准确的方法来分析多维毒基基因组数据.
• 利用深度学习来解释复杂的基因表达模式.
• 创建一个模仿专家视觉分析的"视觉"方法.

主要方法:

• 开发了DTox,一种基于深度神经网络的"视觉"方法.
• 在Percellome数据库中的基因表达数据的图像表示 (3D表面图) 上训练DTox.
• 使用专家标记的基因探测器对训练的意义,而不是原始的数值.
• 集成的可解释性模块来解释模型决策.

主要成果:

• DTox成功地从剂量时间基因表达数据的图像表示中学习.
• 在识别重要基因方面,DTox模型的表现优于传统的统计和数值机器学习方法.
• 可解释性模块揭示了人类专家使用的视觉分析过程的洞察力.
• 证明了图像驱动的神经网络在数值方法上的有效性.

结论:

• DTox为分析复杂的毒基因组数据提供了一个强大的替代方案,克服了传统方法的局限性.
• "视觉"深度学习方法提高了安全药理学和风险评估的效率和准确性.
• 该模型的可解释性为专家视觉分析提供了一个窗口,有助于科学理解.
• 在医疗数据科学中分析多维数值数据方面,DTox具有更广泛应用的潜力.