深度神经网络的预培训和组合,用于从标志性基因中预测目标基因表达
IEEE transactions on computational biology and bioinformatics
|August 14, 2025
概括
这项研究引入了一种新的预训练和组合方法,以提高深度神经网络 (DNN) 准确度,用于预测基因表达. 该方法改善了基因表达推断,并显示了多目标回归任务的前景.
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:
- 基因表达造型在生物和生物医学研究中至关重要.
- L1000试验有效地测量基因表达的基因表达,以预测目标基因表达.
- 深度神经网络 (DNN) 显示出从标志性基因预测基因表达的前景.
研究的目的:
- 提高DNN用于基因表达预测的准确性,使用一种新的预训练和组合方法.
- 为了提高基因表达推断和多目标回归的性能.
主要方法:
- 应用基于自动编码器的预训练对DNN的输入和输出.
- 使用多个自动编码器与不同的随机种子进行预训练.
- 实施了一种组合方法,将预先训练的DNN结合起来.
主要成果:
- 提出的预训练和组合方法在准确性方面明显超过了最先进的方法.
- 预训练通过在函数空间中有利地定位它们来改善DNN优化.
- 预训练使基因关联多样化,并突出了更多生物学相关的基因,特别是具有更深层次的网络.
结论:
- 与现有技术相比,开发的方法在基因表达推断方面提供了更高的准确性.
- 自动编码器预训练和组装可以提高DNN的性能和生物相关性.
- 这种方法可能适用于超越基因表达的更广泛的多目标回归问题.
