积极-未标记的学习用于识别与衰老相关基因中的新候选饮食限制相关基因

科学领域:

• 遗传学 是一个遗传学.
• 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:

• 饮食限制 (DR) 是一种关键的抗衰老干预措施.
• 机器学习 (ML) 有助于识别与DR相关的基因,但目前的方法与不可靠的负基因示例作斗争.
• 现有的ML方法错误地将缺乏DR关联的基因标记为与DR无关的基因,阻碍了新基因的发现.

研究的目的:

• 开发一种新的基因优先级方法,用于识别与DR相关的基因.
• 提高DR研究的ML模型中负面示例的可靠性.
• 加强与饮食限制相关的新基因的发现.

主要方法:

• 引入了基因优先级的两步积极未标记 (PU) 学习范式.
• 采用KNN启发的相似性方法来选择可靠的负基因示例.
• 训练了一个分类器,使用可靠的负数和已知的正数来区分与DR相关的基因.

主要成果:

• 新的PU学习方法在预测准确性方面显著超过了最先进的方法 (p<0.05).
• 与现有方法相比,实现了高达~40%的较低计算成本.
• 确定了四种与DR相关的新奇有前途的基因:PRKAB1,PRKAB2,IRS2和PRKAG1,并提供文献证据支持.

结论:

• 拟议的PU学习方法为识别DR相关基因提供了更可靠的方法.
• 这种方法增强了与衰老和饮食限制相关的新基因的发现.
• 这些已识别的基因 (PRKAB1,PRKAB2,IRS2,PRKAG1) 是未来DR研究的有希望的目标.