E-ABIN:在生物网络中检测异常的可解释模块

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
• 人工智能在基因组学中的应用

背景情况:

• 大规模的omics数据需要先进的分析工具来进行基因表达分析.
• 人工智能 (AI) 有助于识别分子模式,区分疾病.
• 目前的基因异常检测方法通常是特定于数据集的,并且缺乏用户友好的接口.

研究的目的:

• 引入E-ABIN,这是一个多功能和可解释的框架,用于在生物网络中检测异常.
• 为生物数据分析提供一个统一的平台,集成经典机器学习和基于图形的深度学习.
• 为了能够检测和解释基因表达或甲基化衍生网络的异常.

主要方法:

• 支持矢量机器 (SVM),随机森林,图形自编码器和图形对抗性归因网络 (GAAN) 的集成.
• 开发一个用户友好的平台,用于在生物网络中检测和解释异常.
• 该框架应用于基因表达和甲基化数据.

主要成果:

• E-ABIN表现出高预测准确度,并保持了模型的可解释性.
• 在膀癌和腹腔疾病的案例研究中成功识别了生物学相关的异常.
• 该框架通过发现基因异常,为疾病机制提供了宝贵的见解.

结论:

• 在复杂的生物网络中,E-ABIN为异常检测提供了强大且易于解释的解决方案.
• 该框架通过识别潜在的驱动基因来增强对疾病表型的理解.
• E-ABIN是免费可用的,促进生物信息学和计算生物学研究人员的可访问性.