XModNN:可解释的模块化神经网络,用于识别转录组数据集中的临床参数和疾病生物标志物

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
• 基因组学就是基因组学.

背景情况:

• 转录组数据分析对于疾病分类和生物标志物发现至关重要.
• 标准方法通常需要大量的数据集,并且可以产生许多候选生物标志物.
• 将生物知识集成到机器学习模型中可以提高效率和可解释性.

研究的目的:

• 引入可解释模块化神经网络 (XModNN),用于识别转录基因数据集中的生物标志物.
• 为了证明XModNN能够有效地分类疾病和临床参数的能力.
• 为模型预测提供强大的后期解释.

主要方法:

• 开发了XModNN,其中的模块代表了功能层次 (路径/基因).
• 将生物见解纳入神经网络架构,以减少参数.
• 员工加权多重损失渐进式培训和层级相关性传播进行解释.
• 应用XModNN来预测性别和神经母细胞瘤细胞状态.

主要成果:

• 与标准统计方法相比,XModNN发现了较少的候选生物标志物.
• 实现了与支持矢量机器和随机森林具有有限数据的可比性能和稳定性.
• 综合性通路相关性分析在标准基因组过度代表性分析上得到了改进.
• 确定了性别分类和神经母细胞细胞状态歧视的关键基因和途径.

结论:

• XModNN提供了一个有效和可解释的方法,用于生物标记物识别和分类的转录基因数据.
• 架构的生物整合和培训策略提高了效率,减少了数据需求.
• XModNN提供了对生物途径和疾病状态的基因贡献的宝贵见解.