Interpretable neural architecture search and transfer learning for understanding CRISPR/Cas9 off-target enzymatic reactions

要約

微調整された酵素経路は細胞プロセスを制御しており、その調節不全は病気を引き起こす可能性があります。
これらの経路の予測的で解釈可能なモデルを作成することは、経路と細胞およびゲノムの状況が複雑であるため、困難です。
ここでは、生化学システムの動態を決定するためのデータ駆動型で生物物理学的に解釈可能なモデルを使用してこれらの課題に対処する深層学習フレームワークである Elektrum を紹介します。
まず、in vitro 速度論的アッセイを使用して、反応速度を予測する高品質の速度論的に解釈可能なニューラル ネットワーク (KINN) のアンサンブルを迅速に仮説立てます。
次に、新しい転移学習ステップを採用し、KINN が中間層としてより深い畳み込みニューラル ネットワークに挿入され、反応に依存する生体内結果の予測を微調整します。
Elektrum は、限られているがクリーンな in vitro データと、細胞のコンテキストを捕捉する複雑だが豊富な in vivo データを効果的に利用します。
私たちは Elektrum を適用して CRISPR-Cas9 のオフターゲット編集確率を予測し、Elektrum が最先端のパフォーマンスを達成し、ニューラル ネットワーク アーキテクチャを正規化し、物理的な解釈可能性を維持することを実証します。

要約(オリジナル)

Finely-tuned enzymatic pathways control cellular processes, and their dysregulation can lead to disease. Creating predictive and interpretable models for these pathways is challenging because of the complexity of the pathways and of the cellular and genomic contexts. Here we introduce Elektrum, a deep learning framework which addresses these challenges with data-driven and biophysically interpretable models for determining the kinetics of biochemical systems. First, it uses in vitro kinetic assays to rapidly hypothesize an ensemble of high-quality Kinetically Interpretable Neural Networks (KINNs) that predict reaction rates. It then employs a novel transfer learning step, where the KINNs are inserted as intermediary layers into deeper convolutional neural networks, fine-tuning the predictions for reaction-dependent in vivo outcomes. Elektrum makes effective use of the limited, but clean in vitro data and the complex, yet plentiful in vivo data that captures cellular context. We apply Elektrum to predict CRISPR-Cas9 off-target editing probabilities and demonstrate that Elektrum achieves state-of-the-art performance, regularizes neural network architectures, and maintains physical interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google