使用深度神经网络 (PROMINENT) 进行甲基化分析的途径信息:一种可解释的深度学习方法,使用基因级DNA甲基化预测的先前途径

科学领域:

• 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 基因甲基化是基因表达和表型的关键表观遗传调节者.
• 传统的方法与DNA甲基化数据的非线性复杂性作斗争.
• 现有的深度学习模型缺乏可解释性和效率.

研究的目的:

• 利用DNA甲基化数据开发一种可解释的深度学习方法,用于表型预测.
• 整合生物通路信息以提高准确性和可解释性.
• 在预测准确性和计算效率方面改进现有方法.

主要方法:

• 介绍了使用深度神经网络 (PROMINENT) 进行甲基化分析的途径信息.
• 综合基因水平的DNA甲基化数据与途径信息 (GO,KEGG).
• 采用了SHapley添加式解释 (SHAP) 来优先考虑重要的基因和途径.

主要成果:

• 在儿童喘,IPF和FEP数据集中,PROMINENT表现出卓越的预测准确性和计算效率.
• 该方法成功地确定了与疾病机制有关的关键基因和途径.
• 突出的表现优于现有的线性回归和深度学习方法.

结论:

• 在基于DNA甲基化的表型预测方面,PROMINENT提供了显著的进步.
• 该方法在实际计算约束范围内提供了高精度和可解释性.
• 杰出的潜力有助于推进对复杂疾病的理解和生物医学研究.