DynProfiler:一个Python包,用于通过深度学习技术利用信号动态的全面分析和解释

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 人工智能在医学中的应用

背景情况:

• 生物信号的动态对于理解疾病机制至关重要.
• 模拟的信号动态正在成为潜在的生物标志物.
• 分析这些动态的传统方法通常需要手动选择特征.

研究的目的:

• 开发一个基于深度学习的工具,DynProfiler,用于从生物信号动态中提取信息特征,而无需手动选择特征.
• 为了将可解释的AI纳入定量,时间依赖的动态重要性得分.
• 为了证明DynProfiler在预测死亡风险和识别乳腺癌中的生物标志物的实用性.

主要方法:

• 利用深度学习技术来处理整个信号动态,包括中间变量,作为输入.
• 采用可解释的人工智能解决方案,提供依赖时间的特征重要性得分.
• 应用DynProfiler模拟乳腺癌信号动态数据.

主要成果:

• DynProfiler成功地从模拟的乳腺癌动态中提取了高质量的特征.
• 提取的特征在预测死亡风险方面有效.
• 鉴定出高调节的化GSK3β作为预后不佳的重要生物标志物.

结论:

• DynProfiler提供了一种无标签的深度学习方法,用于分析生物信号动态.
• 该工具为临床应用提供了宝贵的见解,包括患者分层和生存预测.
• DynProfiler有助于阐明复杂的生物系统动态,并识别新的生物标志物.