PNAS：深度学习揭示基因相互作用
来源：本站原创 2019-12-13 05:13
近日，卡内基梅隆大学计算机科学家采用了一种深度学习方法，近年来彻底改变了人脸识别和其他基于图像的应用程序，并将其功能重定向到探索基因之间的关系。
2019年12月13日 讯 /生物谷BIOON/ --近日，卡内基梅隆大学计算机科学家采用了一种深度学习方法，近年来彻底改变了人脸识别和其他基于图像的应用程序，并将其功能重定向到探索基因之间的关系。
他们说，诀窍在于将大量的基因表达数据转换成更像图像的东西。善于分析视觉图像的卷积神经网络（CNN）方案随后可以推断出哪些基因正在相互作用。
（图片来源：Www.pixabay.com）
相关结果发表在最近的《PNAS》杂志上。计算生物学和机器学习教授Ziv Bar-Joseph表示，这种名为CNNC的新方法的应用范围可能远远超出基因相互作用。文章作者Bar-Joseph说，论文中描述的新见解表明，CNNC可以类似地用于调查包括财务数据和社交网络在内的各种现象的因果关系。
人类中大约有20,000个基因协同工作，因此有必要知道基因如何在复合体或网络中协同工作以了解人类发育或疾病。
推断这些关系的一种方法是查看基因表达-它代表细胞中基因的活性水平。通常，如果基因A同时活跃，那么基因B活跃，这就是两者相互作用的线索。不过，这可能是巧合，或者两者都被第三个基因C激活。已经开发出了几种先前的方法来弄清这些关系。
为了利用CNN来帮助分析基因关系，Yuan和Bar-Joseph使用了单细胞表达数据-可以确定单个细胞中每个基因水平的实验。然后，以矩阵或直方图的形式排列成千上万个这些单细胞分析的结果，以使矩阵的每个细胞代表一对基因的不同共表达水平。
以这种方式呈现使得数据更加图像化，因此CNN更易于访问。通过使用来自已经建立了相互作用的基因的数据，研究人员能够训练CNN识别哪些基因在相互作用，哪些不是基于数据矩阵中的视觉模式。
Yuan说：“区分因果关系和相关性非常非常困难，”但是CNNC方法在统计学上比现有方法更准确。他和Bar-Joseph期望CNNC将成为研究人员最终将用于分析大型数据集的几种技术之一。
Bar-Joseph说：“这是一种非常通用的方法，可以应用于许多分析。”而且数据越多，CNN的工作效果越好。细胞生物学非常适合使用CNNC，因为一般的实验可能涉及成千上万个细胞并产生大量数据。（生物谷Bioon.com）
原始出处：Ye Yuan, Ziv Bar-Joseph. Deep learning for inferring gene relationships from single-cell expression data. Proceedings of the National Academy of Sciences, 2019; 201911536 DOI: 10.1073/pnas.1911536116
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
