DeepPIG:深度神经网络架构,配对连接层和随机门,使用模拟框架进行特征选择

科学领域:

• 机器学习 机器学习
• 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:

• 功能选择对于机器学习模型的性能至关重要.
• 假冒过器控制错误发现率 (FDR),但可能缺乏检测能力.
• 深度神经网络为增强特征选择提供了潜力.

研究的目的:

• 介绍DeepPIG (深度神经网络与PaIrwise连接层集成的随机门),一个新的特征选择模型.
• 为增强机器学习应用程序的淘汰过器框架内提高检测能力.
• 评估DeepPIG的性能与合成和现实世界数据集中的现有方法相比.

主要方法:

• 开发了DeepPIG,这是一个深度神经网络,包含双相连接的层和随机门.
• 采用了淘汰过框架来进行特征选择.
• 在合成数据上比较DeepPIG的检测功率和FDR控制与DeepPINK,STG和SHAP.
• 在现实世界微生物组和单细胞数据集上评估DeepPIG选择的特征的分类性能.

主要成果:

• 在合成数据上,DeepPIG的检测能力高于基线和最近的模型 (DeepPINK,STG,SHAP),特别是在弱特征信号上.
• DeepPIG 保持了预选的 FDR 级别.
• 由DeepPIG选择的特征导致了在现实世界癌症预后和分类任务上的优越分类性能.

结论:

• DeepPIG是一种强大而强大的功能选择方法.
• 这种方法即使特征信号较弱,也有效.
• 对于需要精确特征识别的机器学习任务,DeepPIG提供了显著的优势.