在Caenorhabditis elegans中通过对比学习和注意力道的早期寿命预测
Miaomiao Jin1, Weiyang Chen1, Yi Pan2,3
1School of Cyber Science and Engineering, Qufu Normal University, Qufu 273165, P. R. China.
Journal of bioinformatics and computational biology
|December 5, 2025
概括
我们开发了对比学习导向的频道注意调制 (CLCAM) 用于预测Caenorhabditis elegans的早期寿命. 通过放大微妙的形态线索,CLCAM提高了准确性,提供了一个低开销的表型化解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 遗传学 遗传学 是一个
背景情况:
- 在Caenorhabditis elegans的早期寿命预测是具有挑战性的,因为细微的形态特征和概括问题.
- 现有的方法在数据注释和确定本地化关键特征以实现准确的表型化方面扎.
研究的目的:
- 提出一种新的深度学习模型,即对比学习引导的通道注意力调节 (CLCAM),用于增强C. elegans的早期寿命预测.
- 解决目前寿命预测模型中模糊的歧视信号和糟糕的概括性的局限性.
主要方法:
- CLCAM使用监督对比学习来根据寿命对个体进行分类,增强特征嵌入.
- 道式注意调制用于放大C. elegans.内部微妙的形态线索.
- 模型架构的设计是为了提高效率,在推理过程中最小的开销.
主要成果:
- 在公开数据集上,CLCAM的AUC-ROC为0.84,超过了EfficientNet-B3基线 (0.82) 和WormNet (0.61).
- 格拉德-CAM分析证实了模型对喉和身体壁肌肉等生物相关结构的关注.
- 该模型展示了改进的概括和细微形态差异的识别.
结论:
- 在C. elegans中,CLCAM提供了一种有效和低开支的方法,用于早期生命周期的表型化.
- 对比式学习和道注意力机制显著提高了预测准确性.
- 模型的决策是生物可信的,通过注意力映射来验证.
