对抗性:评估单细胞RNA测序分类器对抗性攻击的脆弱性

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.
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 算法对于生物医学研究中从单细胞RNA测序 (scRNA-seq) 数据分类细胞类型至关重要.
• 有关这些ML分类器对对抗性攻击的脆弱性存在担忧,这些攻击可以通过人工输入操纵输出.

研究的目的:

• 介绍adversSCarial,一个用于模拟对 scRNA-seq 数据的对抗性攻击的 R 包.
• 评估scRNA-seq分类器对各种攻击模式的稳定性.
• 为生物医学应用指导开发更可靠和可解释的ML模型.

主要方法:

• 开发用于模拟对抗性攻击的adversSCarial R包.
• 模拟各种攻击策略,从微妙到积极的修改.
• 在四个数据集中评估了五个不同的scRNA-seq分类器的脆弱性.

主要成果:

• adverSCarial允许模拟对单细胞转录基因数据的一系列对抗性攻击.
• 该研究成功评估了各种scRNA-seq分类器对基因表达变异的稳定性.
• 分析揭示了分类器的敏感性,为改善模型可靠性提供了洞察力.

结论:

• 该adversSCarial包有助于在scRNA-seq分析中评估ML分类器的安全性.
• 了解分类器漏洞是开发临床应用 robust 模型的关键.
• 这项工作有助于提高ML在精准医学中的可靠性.