[Genome Biology | 论文简读] 以知识为基础的神经网络能够对单细胞测序数据进行生物学上可解释的深度学习

简读分享 | 尹成林 编辑 | 龙文韬

论文题目

Knowledge-primed neural networks enable biologically interpretable deep learning on single-cell sequencing data

论文摘要

深度学习已成为预测复杂生物现象的通用方法。然而，鉴于通用深度神经网络对成功预测背后的生物学机制提供的洞察力有限，迄今为止它在生物学发现中的效用是有限的。在这里，作者展示了生物网络上的深度学习，其中每个节点都有一个分子等价物，例如蛋白质或基因，例如沿着信号通路的调节相互作用。借助以知识为主导的神经网络 (KPNN)，作者利用深度学习算法的能力在多层网络中分配有意义的权重，从而为可解释的深度学习提供了一种广泛适用的方法。作者提出了一种学习方法，通过在存在冗余的情况下稳定节点权重、增强节点权重的定量可解释性以及控制生物网络中的不均匀连接来增强受过训练的 KPNN 的可解释性。作者在具有已知基本事实的模拟数据上验证 KPNN，并通过癌症和免疫细胞的单细胞 RNA-seq 数据证明它们在五种生物学应用中的实际用途和效用。作者将 KPNN 作为一种将深度学习的预测能力与生物网络的可解释性相结合的方法引入。

论文链接

https://genomebiology.biomedcentral.com/articles/10.1186/s13059-020-02100-5