极端学习机器的压缩表示与自我扩散图解读用于剖析分子异质性的应用
Xin Duan1, Xinnan Ding2, Yuelin Lu1
1School of Artificial Intelligence, Anhui Polytechnic University, Wuhu, China.
概括
极端学习机器自我扩散 (ELMSD) 通过消除基因表达数据来有效地分析分子异质性. 这种新的方法提高了癌症亚型和细胞类型的聚类精度,揭示了重要的生物学见解.
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.
- 基因组学就是基因组学.
背景情况:
- 分子异质性在癌症和细胞群等生物系统中普遍存在.
- 基因表达集群对于剖析异质性至关重要,但面临着高维度,噪音和冗余性的挑战.
研究的目的:
- 引入极端学习机器自我扩散 (ELMSD),一种用于剖析分子异质性的新方法.
- 提高聚类基因表达特征的效率和准确性.
主要方法:
- ELMSD使用自编码器极端学习机器进行压缩特征表示.
- 整合了一个自我扩散图表的化框架,以提高样本对样本的相似性.
- 该方法涉及学习压缩表示,其次是代图形扩散,以增强聚类.
主要成果:
- 在模拟,单细胞和癌症数据集上验证了ELMSD.
- 与现有的最先进的集群方法相比,这种方法表现出更高的性能.
- 确定的癌症亚型和细胞类型显示出强烈的临床相关性和生物解释性.
结论:
- ELMSD有效地解决了聚类高维,杂的基因表达数据的挑战.
- 该方法增强了下游集群分析,促进了分子性质调查.
- ELMSD提供了一个强大的工具,用于剖析具有重大生物和临床影响的分子异质性.
