图形对比卷积神经网络用于提取和分类基于的牙周免疫调节和抗炎特征
Prabhu Manickam Natarajan1, Pradeep Kumar Yadalam2, Sree Devi V3
1Department of Clinical Sciences, Center of Medical and Bio-allied Health Sciences and Research, College of Dentistry, Ajman University, Ajman, UAE.
International dental journal
|November 6, 2025
概括
一个新的图形对比卷积神经网络 (GCCNN) 能够有效地识别牙周炎的抗炎 (AIP). 虽然该模型对AIPs准确,但需要更多数据来改善免疫调节 (IMPs) 的分类.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 类组学 类组学 类组学
背景情况:
- 牙周炎是一种慢性炎症性疾病,与免疫系统对微生物生物膜的功能障碍有关.
- 鉴定功能性特征的抗炎和免疫调节作用是具有挑战性的,因为序列的可变性和数据稀缺.
- 对牙周炎相关的精确分类方法的开发对于生物标志物发现和向治疗至关重要.
研究的目的:
- 开发一个图形对比卷积神经网络 (GCCNN) 用于分类牙周炎相关.
- 准确地将类分为抗炎性 (AIP) 和免疫调节性 (IMP).
- 为了提高模型的解释性,并促进定制的基于的治疗策略.
主要方法:
- 引入了一个GCCNN框架,将1D CNN编码器与SimCLR风格的对比学习相结合,用于图案级别的体表示.
- 员工监督学习与类加权的二元交叉度来解决显著的阶级失衡.
- 使用t-SNE用于隐性空间可视化和SHAP用于模型解释以识别关键序列动图.
主要成果:
- 在一个精心策划的数据集上,GCCNN在AIP (F1 = 0.94,ROC-AUC = 0.98) 上取得了高绩效.
- 由于数据不足,IMP的模型性能有限 (F1 = 0.04,ROC-AUC = 0.54).
- 隐藏空间可视化显示了AIP的明显集群与IMP的分散嵌入;SHAP分析揭示了保存的AIP动机.
结论:
- 相反的学习有效地提取功能性标签.
- 该GCCNN框架显示了对分类抗炎的前景.
- 需要进一步开发以提高生物医学序列分析中的IMP等代表性不足的类的分类准确性.
