基于相似性的转移学习与深度学习网络用于准确的CRISPR-Cas9目标外预测

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:

• 转移学习在数据有限的场景中提高了预测准确度.
• CRISPR-Cas9基因编辑需要准确的目标外预测.
• 现有的方法缺乏原则性的源数据集选择,用于转移基因编辑中的学习.

研究的目的:

• 开发基于相似性的预评估方法,以在CRISPR-Cas9转移学习中选择最佳的源数据集.
• 解决源-目标数据集配对和目标外预测准确性的挑战.
• 提出一个双层框架,整合相似性预选和机器学习.

主要方法:

• 评估数据集的相似性使用共弦值,欧几里德和曼哈顿距离.
• 测试了深度学习 (MLP,CNN,FNN,RNN) 和传统的ML (LR,RF) 模型.
• 在不同的网络架构和相似度指标中比较预测性能.

主要成果:

• 相似性得分可靠地表明CRISPR-Cas9转移学习的最佳源数据集.
• 在数据集比较中,共弦距离的表现优于欧几里德和曼哈顿距离.
• 循环神经网络门循环单元 (RNN-GRU),5层前神经网络 (FNN) 和MLP变体产生了最好的预测结果.

结论:

• 基于相似性的源数据集预选择对CRISPR-Cas9.9中的转移学习有效.
• 拟议的双层框架显著提高了目标外预测的准确性.
• 这项研究提供了一种原则性方法,以优化基因编辑应用的转移学习.