策略包括在奥米克分析中先前的知识与深度神经网络

科学领域:

• 分子生物学分子生物学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 高通量分子分析为生物研究产生了庞大的数据集.
• 机器学习,特别是深度学习,用于从分子数据中预测表型.
• 分子数据中的高维度和小样本大小导致了深度学习模型的过拟合.

研究的目的:

• 描述将生物先验知识纳入深度学习模型用于分子配置分析的策略.
• 为了完成这项任务,审查深度学习架构,包括图形神经网络.

主要方法:

• 在深度学习中使用先前的生物知识的三个主要策略的审查.
• 讨论相关的深度学习架构,包括图形神经网络.

主要成果:

• 预先知识的整合使深度学习模型规范化.
• 结合先前的知识可以提高预测的概括性和解释性.
• 深度学习模型,特别是图形神经网络,显示出分子数据分析的前景.

结论:

• 生物事先的知识对于有效的深度学习对分子形状至关重要.
• 现有战略可以整合这些知识,提高预测模型的性能.
• 对像图形神经网络这样的架构进行进一步研究是有必要的.