变分和解释性神经网络用于编码癌症概况和预测药物反应
本文提出了一种新颖的基于多模态注意力神经网络(PaccMann)预测抗癌化合物敏感性的方法,集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识,通过用SMILES编码的化合物和癌细胞的基因表达谱预测IC50敏感性值,其中基因表达谱采用注意力编码机制编码,通过比较我们设计的模型和基准模型,证明了使用我们的注意力编码器可以超越基准模型,增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。
Nov, 2018
介绍了一种基于变分自编码器 (VAE) 的解释性深度学习模型,名为 XOmiVAE,用于使用高维 omics 数据进行癌症分类,能够解释每个基因和潜在维度对于每个分类预测的贡献,以及每个基因和每个潜在维度之间的相关性,并验证了其对于其它深度学习网络的非监督聚类结果的解释,能够用于从深度学习模型中发现新的生物医学知识。
May, 2021
本文介绍了一种利用多头自注意力机制的深度学习方法Gene Transformer,用于对基因表达数据进行肺癌亚型分类,效果比传统算法更好,此方法有望在计算生物学中得到更好的应用。
Aug, 2021
对42篇研究进行了系统综述,旨在讨论深度学习模型如何支持癌症生物学的推理,并重点关注多组学分析。我们介绍了一种称为生物中心可解释性的概念,并根据其分类方法讨论了在这些模型中整合领域先验知识的表征方法。分析表明,编码先验知识和改进解释性之间存在趋同性,这是深度学习模型形式化生物解释性和发展不那么特定于问题或应用的方法的重要一步。
Jul, 2022
本研究提出了一种基于transformer的神经网络TCR来预测抗癌药物的反应,利用注意力机制学习了药物子结构和分子签名之间的相互作用,同时设计了双重损失函数和交叉采样策略以提高预测能力,实验结果表明TCR优于其他方法,在独立的体外实验和体内实验中表现出显著的预测效果,具有癌症药物再利用和精准肿瘤治疗的潜在价值。
Jul, 2022
该论文使用 VQ-VAE 模型解决了癌症亚型的聚类问题,并在多个数据集上进行广泛实验和医学分析,并证明该方法能够显著和稳健地改善对癌症分型系统的预测。
Jul, 2022
本研究提出了一种基于先验知识的深度自编码框架(PAAE)及其生成变体(PAVAE),用于RNA-seq在癌症中的数据。通过与其他学习模型的比较,我们证明了PAAE和PAVAE模型不仅具有更好的重构结果,而且在分类任务中比有全面输入基因集的模型产生更好的结果,并对模型进行了全面的可解释性分析,从而提高了转化医学的预测能力。
Jun, 2023
通过域适应网络和特征解耦,本文提出了一种建模肿瘤微环境对临床药物效应影响的方法,并在基准数据集上验证了其在预测临床药物响应和解析肿瘤微环境影响方面的优越性能。
Nov, 2023
本研究解决了现有图解释算法缺乏生物学意义的问题,限制了其在癌症药物反应预测中的应用。提出的CETExplainer算法采用可控的边类型特定加权机制,结合子图与预测之间的互信息,提供生物学上有意义的细粒度解释。实证分析表明,CETExplainer在解释质量和稳定性上相较于现有算法具有显著提升,成为癌症药物预测的重要工具。
Aug, 2024
本研究针对现有图神经网络解释算法忽视生物学重要性的问题,提出了CETExplainer,这是一种新颖的后验可解释性算法,能够提供可控的边类型特定加权机制。通过实证分析,我们发现CETExplainer在药物反应预测中的稳定性和解释质量显著优于现有的领先算法,为癌症药物预测提供了强大的工具。
Aug, 2024