SLInterpreter:一种探索性和代的人类-人工智能协作系统,用于基于GNN的合成致命预测

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 在瘤学中使用人工智能

背景情况:

• 合成致命 (SL) 关系提供有针对性的癌症治疗潜力,但需要强大的发现方法.
• 当前的人工智能模型缺乏足够的解释性和与领域专业知识的协调性,阻碍了实验验证.
• 高的实验成本需要改进人工智能驱动的方法来识别SL相互作用.

研究的目的:

• 开发一个代的人类-人工智能协作框架,以完善合成致命 (SL) 关系的发现.
• 提高针对性癌症治疗的AI驱动预测的可解释性和生物相关性.
• 通过专家-AI协同作用,促进机制分析和发现新的SL关系.

主要方法:

• 人类参与的知识图精细化,使用元路策略进行域知识集成.
• 交叉细分化SL解释增强和机制分析用于比较预测和发现生物见解.
• 人工智能模型优化和专家干预的代周期,以建立信任并提高准确性.

主要成果:

• 该框架成功地完善了知识图,并增强了SL在不同细分度的解释.
• 它帮助专家组织和比较AI预测,从而更好地了解潜在的SL关系.
• 代协作促进信任,并确保人工智能产生的见解与生物原理保持一致.

结论:

• 拟议的人类-人工智能框架显著改善了用于癌症治疗的合成致命关系的发现和解释.
• 代协作提高了AI模型的性能,并确保与特定领域的生物知识保持一致.
• 这种方法为克服精密瘤学当前AI模型的局限性提供了一个有希望的解决方案.