一个经过从规范路径的先验训练的变异自编码器增加了转录组数据的可解释性

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
• 基因组学就是基因组学.

背景情况:

• 解释大规模的转录组数据对于理解生物调节至关重要.
• 传统的基因组丰富分析对复杂的调节网络的解释能力有限.
• 深度学习为发现高维生物数据中的新模式提供了潜力.

研究的目的:

• 评估自编码架构,以学习转录组的简化,生物相关的表征.
• 开发一种新型变异自编码器 (VAE),该自编码器包含生物先验,以提高可解释性.
• 探索深度学习在转录学学中差异路径分析的实用性.

主要方法:

• 基准测试五种自动编码器架构,包括简单的,变化的和β加权的VAE.
• 利用潜变量建模来从转录组数据中捕获必要的生物信号.
• 开发一个事先了解的VAE,以指导学习语义上有意义的潜在特征.

主要成果:

• 所有经过测试的自编码架构都成功地将转录组缩小到50个潜在维度,从而实现了准确的数据重建.
• 一个简单的自动编码器在重建基准测试中表现出卓越的性能,但缺乏可解释的潜在维度.
• 贝塔加权,事先告知的VAE成功执行了基准测试任务,并产生了与生物途径相应的潜在特征.

结论:

• 深度学习,特别是具有生物先验的VAE,可以有效地学习转录组数据的可解释表示.
• 这种方法为转录学学中的透明和可解释的差分路径分析提供了一个有希望的新方向.
• 开发的预先告知的VAE有助于将复杂的基因组数据转化为可理解的生物概念.