EfficientNet-resDDSC:一个混合深度学习模型,集成剩余块和扩展卷曲,用于在单细胞数据中推断基因因果关系
Aimin Li1,2, Mingyue Li1, Rong Fei3,4
1School of Computer Science and Engineering, Xi'an University of Technology, Xi'an, 710048, China.
Interdisciplinary sciences, computational life sciences
|November 22, 2024
概括
一个新的深度学习模型,EfficientNet-resDDSC,准确地从单细胞RNA测序数据中推断基因因果关系. 这促进了基因调控网络的建设,以获得生物学见解和乳腺癌研究.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 基因调控网络 (GRNs) 对于理解生物系统至关重要.
- 单细胞RNA测序 (scRNA-seq) 为GRN分析产生了大量的数据.
- 现有的GRN模型往往无法确定基因因果关系.
研究的目的:
- 开发一种新的深度学习模型来推断基因因果关系.
- 为了提高基因调节网络建设的准确性.
- 将模型应用于乳腺癌患者数据.
主要方法:
- 推出了混合深度学习模型EfficientNet-resDDSC.
- 集成的残留块用于增强特征提取.
- 利用深度可分离的卷积与扩展的卷积来扩大受容场,而不会增加计算成本.
主要成果:
- 在4个数据集上,EfficientNet-resDDSC在5个现有的深度学习模型中表现出卓越的性能.
- 该模型有效地处理高维和杂的scRNA-seq数据.
- 成功应用于构建乳腺癌的GRNs,专注于BRCA1调节基因.
结论:
- EfficientNet-resDDSC在从scRNA-seq数据中推断基因因果关系方面取得了重大进展.
- 该模型为构建精确的基因调节网络提供了强大的工具.
- 这项研究有助于更深入地了解乳腺癌和潜在的治疗策略.


