用对比学习来减少遗传数据的维度

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.
• 机器学习 机器学习

背景情况:

• 缩小尺寸对于可视化复杂的遗传数据集至关重要.
• 像PCA,t-SNE和UMAP这样的现有方法在保留本地和全球遗传数据结构方面存在局限性.
• 深度学习为基因组学中的新型维度减少方法提供了潜力.

研究的目的:

• 引入一种新的对比学习框架,以减少遗传数据的维度.
• 创建类似PCA的人口可视化,更好地保存数据结构并对新数据进行概括.
• 为SNP基因型数据集开发定制的损失函数和数据增强策略.

主要方法:

• 利用对比学习,一种自我监督的深度学习技术.
• 开发了一个自定义的损失函数,其性能优于标准的对比学习损失.
• 专门针对SNP基因型数据实施了数据增强方案.
• 将框架与主要组件分析 (PCA),t-SNE,UMAP和popvae进行了比较.

主要成果:

• 拟议的方法证明了全球遗传数据结构的强有力的保存.
• 与t-SNE,UMAP和popvae相比,实现了优越的泛化特性.
• 保持高程度的个人之间的相对距离保护.
• 在狗和人类基因型数据集上成功执行了种群分类.

结论:

• 对比式学习框架为减少维度和可视化遗传数据提供了一种有效的方法.
• 该方法在一般化和结构保存方面比当代技术具有优势.
• 深度学习框架允许预测新的样本和微调模型,并纳入特定领域的信息.