Biological Factor Regulatory Neural Network

要約

【タイトル】生物因子調節ニューラルネットワーク
【要約】
– 遺伝子は、生物学的システムを分析するための基本要素であり、深層学習モデルによるさまざまな生物学的タスクで遺伝子発現を利用することが提案されてきた。
– しかし、深層ニューラルネットワークはブラックボックス性が高く、人間が生物学的な洞察を提供することが難しい。
– 近年、生物学的な知識とニューラルネットワークを統合することでモデルの透明性と性能を向上させる手法が提案されているが、これらの手法は部分的な生物学的知識しか統合できず、最適なパフォーマンスを発揮できない。
– 本論文では、細胞システム内の生物因子間の関係をモデリングするための汎用フレームワークである、生物因子調節ニューラルネットワーク（BFReg-NN）を提案する。
– BFReg-NNは、遺伝子発現データから始め、遺伝子やタンパク質間の調節関係（例えば遺伝子調節ネットワーク（GRN）、タンパク質相互作用ネットワーク（PPI））、遺伝子、タンパク質、経路間の階層的関係（いくつかの遺伝子/タンパク質が一つの経路の中に含まれる）をモデルに統合することができる。
– また、BFReg-NNは、ホワイトボックス特性を持つため、生物学的な洞察を提供することもできる。
– 異なる遺伝子発現に基づくタスクに対する実験結果は、BFReg-NNがベースラインに比べ優れていることを確認しており、ケーススタディによって発見された主要な洞察が生物学的文献と一致することも示されている。

要約(オリジナル)

Genes are fundamental for analyzing biological systems and many recent works proposed to utilize gene expression for various biological tasks by deep learning models. Despite their promising performance, it is hard for deep neural networks to provide biological insights for humans due to their black-box nature. Recently, some works integrated biological knowledge with neural networks to improve the transparency and performance of their models. However, these methods can only incorporate partial biological knowledge, leading to suboptimal performance. In this paper, we propose the Biological Factor Regulatory Neural Network (BFReg-NN), a generic framework to model relations among biological factors in cell systems. BFReg-NN starts from gene expression data and is capable of merging most existing biological knowledge into the model, including the regulatory relations among genes or proteins (e.g., gene regulatory networks (GRN), protein-protein interaction networks (PPI)) and the hierarchical relations among genes, proteins and pathways (e.g., several genes/proteins are contained in a pathway). Moreover, BFReg-NN also has the ability to provide new biologically meaningful insights because of its white-box characteristics. Experimental results on different gene expression-based tasks verify the superiority of BFReg-NN compared with baselines. Our case studies also show that the key insights found by BFReg-NN are consistent with the biological literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI