创新的数据增强策略,用于对具有有限基因表征的生物数据集进行深度学习,重点关注叶绿体基因组

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 数据稀缺是将深度学习 (DL) 应用于omics数据集的一个主要限制,特别是来自遗传约束生物或特定生物背景的序列.
• 现有的方法在有限的数据上扎,导致模型训练中的过拟合和非代表性的序列变化等问题.

研究的目的:

• 开发和验证新的数据增强策略,以克服奥米克数据集中的数据稀缺性,用于深度学习应用.
• 为了提高在有限的生物序列数据上训练的深度学习模型的性能和稳定性.

主要方法:

• 采用滑窗技术,生成重叠的次序,具有受控的重叠和共享的核酸特征.
• 一种混合的卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 模型被应用于来自微藻和植物叶绿体的基因和蛋白质的增强数据集.
• 为未标记的数据集开发了一个基于k-mer的数据增强策略,以支持无监督分析.

主要成果:

• 拟议的数据增强策略使DL方法能够有效地应用于具有有限数据的omics数据集.
• 观察到模型性能显著改善,减轻了过拟合和非代表性的序列变化.
• 增强过程在不同的生物数据库中显示出高度适应性.

结论:

• 开发的数据增强策略提供了强大的解决方案,以优化深度学习模型训练,使用有限的OMIC数据.
• 这些方法提高了分析遗传约束生物数据集的潜力,并提高了生物信息学DL模型的可靠性.
• 这些战略提供了一个灵活的框架,用于解决各种生物序列分析任务中的数据稀缺问题.