不确定性意识的基因组深度学习与知识蒸
Jessica Zhou1, Kaeli Rizzo1, Trevor Christensen1
1Simons Center for Quantitative Biology, Cold Spring Harbor Laboratory, Cold Spring Harbor, NY USA.
我们开发了DEGU (Distilling Ensembles for Genomic Uncertainty-aware models),一种新的方法,可以提高深度神经网络的可靠性和基因组学中的可解释性. DEGU提高了预测准确度,并为监管基因组学任务提供可靠的不确定性估计.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度神经网络 (DNN) 在监管基因组学方面表现有前途,但在预测可靠性和解释性方面面临挑战.
- 了解驱动DNN预测的因素对于生物见解和模型验证至关重要.
研究的目的:
- 引入DEGU (Distilling Ensembles for Genomic Uncertainty-aware models),一种增强DNN稳定性和可解释性的方法. 这种方法可以提高DNN的稳定性和可解释性.
- 通过深度学习为监管基因组学任务提供可靠和可解释的预测.
主要方法:
- DEGU集成集体学习和知识蒸,以创建一个单一的,不确定性意识的DNN.
- 它从一个集合中捕获了预测共识和可变性 (认识体系不确定性).
- 一个可选的任务模型从实验复制的数据变化 (选择性不确定性).
主要成果:
- 经过DEGU训练的模型在单个模型中实现了整体性能,从而改善了对分布外序列的概括性.
- 归因分析揭示了对cis-regulatory机制的更一致的解释.
- 模型提供校准的不确定性估计与合规预测提供覆盖保证.
结论:
- DEGU提高了基因组学研究中的深度学习应用程序的可靠性.
- 该方法为功能性基因组任务提供了可靠,可解释和不确定性意识的预测.
- 通过量化预测不确定性,DEGU促进了基因组学可靠的决策.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
相关概念视频
Uncertainty: Overview
Propagation of Uncertainty from Systematic Error
Propagation of Uncertainty from Random Error
Uncertainty: Confidence Intervals
Improving Translational Accuracy
Improving Translational Accuracy
