动态基因注意焦点 (DyGAF):通过双模型注意网络增强生物标志物识别
Md Khairul Islam1,2, Himanshu Wagh3, Hairong Wei1,2,3
1Computational Science and Engineering, Michigan Technological University, Houghton, MI, USA.
Bioinformatics and biology insights
|March 31, 2025
概括
新的动态基因注意焦点 (DyGAF) 模型准确地识别了疾病诊断和预后的关键基因. 这种人工智能工具在诊断COVID-19时实现了94.23%的准确性,在基因组研究中取得了重大进展.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 生物标志物发现和疾病诊断是病原体感染的关键挑战.
- 分析基因表达数据的传统方法往往缺乏复杂疾病所需的精度.
- 了解宿主-病原体相互作用需要用于基因分析的先进计算工具.
研究的目的:
- 引入和验证动态基因注意焦点 (DyGAF) 模型,用于增强生物标志物检测和疾病诊断.
- 识别和排名与疾病进展和预后相关的重要基因.
- 将DyGAF模型应用于COVID-19基因表达数据,以获得诊断和病原性见解.
主要方法:
- 在神经网络中开发一种新的基于注意力的双模型机制.
- 整合机器学习算法用于基因识别和排名.
- 对基因表达特征的分析,包括KEGG途径,Wiki途径和基因本体学.
- 使用COVID-19鼻抽样数据对差异表达和随机森林方法进行验证.
主要成果:
- DyGAF成功地识别和排名了关键基因,这些基因对疾病检测和预后至关重要.
- 该模型通过途径和本体学分析提供了基因角色的多层次评估.
- 在对COVID-19基因表达特征进行分类时,DyGAF获得了94.23%的准确性.
- 基准测试证实了与传统模型相比,DyGAF的性能优越.
结论:
- DyGAF模型代表了基因组研究的重大进步,用于识别遗传标记.
- 它提供了一个更全面,更精确的工具来解开疾病的复杂生物学见解.
- DyGAF提高了生物标志物发现,疾病进展报告和诊断能力.
