基于CNN-BLSTM的深度学习框架用于真核细胞基因组分类:一种基于解释性的方法

科学领域:

• 蛋白质组学是指蛋白质组学.
• 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:

• 从序列来分类蛋白质家族在蛋白质组学中至关重要.
• 目前的深度学习模型由于其黑子性质而缺乏可靠性.
• 需要可解释的AI来增强对生物序列分析的信任.

研究的目的:

• 开发和验证一种新型的可解释性管道,用于真核细胞基因组分类中的深度学习模型.
• 提高人工智能驱动的生物序列分析的可靠性和可信度.
• 确定影响酶分类决策的关键特征.

主要方法:

• 对最先进的深度学习算法的比较分析.
• 选择和应用CNN-BLSTM模型来分类八个真核细胞激酶家族.
• 集成GRAD CAM和集成梯度 (IG) 进行模型解释.
• 通过掩盖已识别的酶域痕迹进行实验验证.

主要成果:

• 该CNN-BLSTM模型在分类激酶序列方面取得了很高的准确性.
• 可解释性管道成功识别了关键激酶域痕迹.
• 掩盖这些已识别的域导致F1得分显著下降 (0.96至0.76).
• 结果与可解释的人工智能原则一致,证明了模型的可信度.

结论:

• 拟议的可解释性管道提高了生物序列分类的深度学习模型的可靠性.
• 这种方法为酶分类提供了可解释的见解,超越了黑子预测.
• 这些发现支持可解释AI在蛋白质组学和相关领域的更广泛应用.