AEGAN-Pathifier:一种数据增强方法,用于改善不平衡基因表达数据的癌症分类
Qiaosheng Zhang1, Yalong Wei2, Jie Hou3
1School of Computer Engineering, Jiangsu Ocean University, Lianyungang, 222005, China.
BMC bioinformatics
|December 28, 2024
概括
本研究介绍了AEGAN-Pathifier,这是一种深度学习方法,使用AutoEncoder和生成对抗网络 (GAN) 来创建用于不平衡癌症分类的合成基因表达数据,改善模型性能.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 由于高维度,不平衡和杂的基因表达数据,癌症分类面临挑战.
- 获取患者样本是昂贵和资源密集的,往往导致数据不平衡.
- 高维度和有限的样本可能会导致过拟合和维度的诅咒.
研究的目的:
- 开发一种有效的深度学习方法,以解决癌症分类中的挑战,使用不平衡的基因表达数据.
- 通过为少数群体类别生成合成样本来提高癌症分类模型的性能.
主要方法:
- 拟议的AEGAN (自动编码器和生成对抗网络) 来生成不平衡基因表达数据的合成样本.
- 集成的路径先前知识使用病理算法来计算路径得分.
- 开发了AEGAN-Pathifier,这是一种数据增强方法,将深度学习与维度减少和生物功能保护的途径信息相结合.
主要成果:
- 在不平衡的基因表达数据集中,AEGAN有效地为少数群体类生成合成样本.
- 在癌症分类任务中,AEGAN-Pathifier表现得更好.
- 通过各种分类器进行验证,证实了分类器性能增强和良好的概括能力.
结论:
- AEGAN-Pathifier显著提高了GSE25066,GSE20194,BRCA和Liver24等不平衡数据集的性能.
- 该方法在不同分类器中显示了强大的概括能力.
- 这种方法为使用基因表达数据进行癌症分类提供了一个有希望的解决方案.
