Pathway-Capsule Neural Networks
Pathway-Capsule Neural Networks
Abstract
Tiến bộ trong Công nghệ Sequencing Thế hệ Tiếp theo đã dẫn đến nhiều cơ sở dữ liệu gen, mở ra tiềm năng cho các công cụ chẩn đoán hiệu quả hơn. Các báo cáo khoa học quốc tế đương đại nhấn mạnh rằng Trí tuệ Nhân tạo (AI) là một trong những phương pháp mạnh mẽ nhất. Tuy nhiên, khi đến việc phân tích dữ liệu gen, Học Máy (ML) và Học Sâu (DL) đối mặt với ba thách thức lớn do: (1) phân tích đa dạng, (2) khả năng giải thích mô hình, và (3) mở rộng để xác định chỉ số sinh học cụ thể cho từng bệnh nhân. Trong bài báo này, chúng tôi giới thiệu Pathway-Capsule Neural Networks (PCNN) và phiên bản Bayesian của nó (BayesPCNN) để giải quyết các hạn chế này. Chúng tôi thể hiện mô hình bằng Dữ liệu Lớn của 7, 372 mẫu với 57 biểu hiện protein từ tập dữ liệu TCGA. Trong cài đặt tối ưu, PCNN được đề xuất vượt trội hơn so với các mô hình ML dựa trên cây và KNN với khoảng cách đáng kể là 10% − 30% trong độ chính xác cho việc phát hiện Ung thư Phổ quát; trong khi chỉ bị vượt qua bởi các phương pháp nhân bản với dưới 2%. Một đóng góp khác của BayesPCNN được nhấn mạnh là Trí tuệ Nhân tạo Giải thích (XAI), làm sáng tỏ những khối u có tiềm năng di căn và chỉ số sinh học cụ thể cho từng bệnh nhân.
References
S. Sabour, N. Frosst, and G. E. Hinton, “Dynamic routing between capsules,” Advances in neural information processing systems, vol. 30, 2017.
G. Hinton, “How to represent part-whole hierarchies in a neural network,” Neural Computation, pp. 1–40, 2022.
C. Peng, Y. Zheng, and D.-S. Huang, “Capsule network based modeling of multi-omics data for discovery of breast cancerrelated genes,” IEEE/ACM transactions on computational biology and bioinformatics, vol. 17, no. 5, pp. 1605–1612, 2019.
P. Zheng, Y. Qi, X. Li, Y. Liu, Y. Yao, and G. Huang, “A capsule network-based method for identifying transcription factors,” Frontiers in Microbiology, vol. 13, p. 1048478, 2022.
Y. Wang, L. Huang, S. Jiang, Y. Wang, J. Zou, H. Fu, and S. Yang, “Capsule networks showed excellent performance in the classification of herg blockers/nonblockers,” Frontiers in pharmacology, vol. 10, p. 1631, 2020.
L. Wang, X. Miao, R. Nie, Z. Zhang, J. Zhang, and J. Cai, “Multicapsnet: a general framework for data integration and interpretable classification,” Frontiers in genetics, p. 2237, 2022.
X. Luo, X. Kang, and A. Schonhuth, “Predicting the prevalence of complex genetic diseases from individual genotype profiles using capsule networks,” Nature Machine Intelligence, vol. 5, no. 2, pp. 114–125, 2023.
L. Wang, R. Nie, Z. Yu, R. Xin, C. Zheng, Z. Zhang, J. Zhang, and J. Cai, “An interpretable deep-learning architecture of capsule networks for identifying cell-type gene expression programs from single-cell rna-sequencing data,” Nature Machine Intelligence, vol. 2, no. 11, pp. 693–703, 2020.
G. Hadash, E. Kermany, B. Carmeli, O. Lavi, G. Kour, and A. Jacovi, “Estimate and replace: A novel approach to integrating deep neural networks with existing applications,” arXiv preprint arXiv:1804.09028, 2018.
J. Linares-Blanco, A. Pazos, and C. Fernandez-Lozano, “Machine learning analysis of tcga cancer data,” PeerJ Computer Science, vol. 7, p. e584, 2021.
M. M. Bronstein, J. Bruna, Y. LeCun, A. Szlam, and P. Vandergheynst, “Geometric deep learning: going beyond euclidean data,” IEEE Signal Processing Magazine, vol. 34, no. 4, pp. 18–42, 2017.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778.
D. C. C. B. R. . J. M. A. . K. A. . P. T. . P. D. . W. Y. 53 and T. S. S. L. D. A. 68, “The cancer genome atlas pancancer analysis project,” Nature genetics, vol. 45, no. 10, pp. 1113–1120, 2013.
J. Bergstra, R. Bardenet, Y. Bengio, and B. Kégl, “Algorithms for hyper-parameter optimization,” Advances in neural information processing systems, vol. 24, 2011.
N. Nguyen and K.-C. Chen, “Quantum embedding search for quantum machine learning,” IEEE Access, vol. 10, pp. 41 444–41 456, 2022.
N. Nguyen and J. M. Chang, “Csnas: Contrastive selfsupervised learning neural architecture search via sequential model-based optimization,” IEEE Transactions on Artificial Intelligence, vol. 3, no. 4, pp. 609–624, 2021.
I. Loshchilov and F. Hutter, “Decoupled weight decay regularization,” arXiv preprint arXiv:1711.05101, 2017.
B. Lakshminarayanan, A. Pritzel, and C. Blundell, “Simple and scalable predictive uncertainty estimation using deep ensembles,” Advances in neural information processing systems, vol. 30, 2017.
C. D. Putnam, R. D. Kolodner et al., “Dna mismatch repair: Mechanisms and cancer genetics,” 2019.
M.-J. Nokin, J. Bellier, F. Durieux, O. Peulen, G. Rademaker, M. Gabriel, C. Monseur, B. Charloteaux, L. Verbeke, S. van Laere et al., “Methylglyoxal, a glycolysis metabolite, triggers metastasis through mek/erk/smad1 pathway activation in breast cancer,” Breast Cancer Research, vol. 21, no. 1, pp. 1–19, 2019.
T. Xu, J. Li, Z. Wang, X. Zhang, J. Zhou, Z. Lu, L. Shen, and X. Wang, “Real-world treatment and outcomes of patients with metastatic braf mutant colorectal cancer,” Cancer Medicine, 2023.
P.-P. Wang, C. Lin, J. Wang, G. A. Margonis, and B. Wu, “Braf mutations in colorectal liver metastases: Prognostic implications and potential therapeutic strategies,” Cancers, vol. 14, no. 17, p. 4067, 2022.
Y. LeCun, “A path towards autonomous machine intelligence version 0.9. 2, 2022-06-27,” Open Review, vol. 62, 2022.
