基于深度学习的代表方法对大量RNA-seq数据的生存和基因基本性预测进行了强有力的评估
Baptiste Gross1, Antonin Dauvin2, Vincent Cabeli2
1Owkin, Inc., New York, NY, USA. baptiste.gross@owkin.com.
Scientific reports
|July 24, 2024
概括
深度学习 (DL) 模型提供了强大的癌症RNA-seq数据表示. 严格的评估准则至关重要,因为性能因任务和模型设计而异,影响生存和基因基本性预测.
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.
- 癌症研究 癌症研究
背景情况:
- 深度学习 (DL) 对分析癌症中的大量RNA测序 (RNA-seq) 数据显示出希望.
- 关于DL设计选择 (架构,训练,超参数) 如何影响学习的表示,缺乏共识.
研究的目的:
- 评估DL表示学习方法用于癌症RNA-seq数据.
- 评估各种DL设计选择对性能的影响.
- 为癌症研究中强有力的DL评估提供准则.
主要方法:
- 使用TCGA和DepMap全癌症数据集.
- 评估了各种DL表示学习方法.
- 评估了对生存和基因基本性的预测能力.
- 研究了自动编码器 (AE) 的改进,包括掩盖和多头训练.
主要成果:
- 基线DL方法的生存预测性能与复杂模型相比或优于复杂模型.
- DL表示方法在预测细胞系中的基因本质性方面表现出色.
- 自动编码器从掩盖和多头训练技术中获得了很大的好处.
- DL的表示和预训练的影响取决于任务和架构.
结论:
- 严格的评估准则对于癌症研究中的DL至关重要.
- 选择DL模型设计显著影响预测性能.
- 为研究界提供了强大的DL评估的标准化管道.
更多相关视频
12:44Identification of Key Factors Regulating Self-renewal and Differentiation in EML Hematopoietic Precursor Cells by RNA-sequencing Analysis
Published on: November 11, 2014
12.3K
10:10Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2
Published on: September 18, 2021
37.1K
