トランスクリプトームデータに適用した機械学習モデルの解釈可能性の評価と最適化【JST・京大機械翻訳】

Zhao, Y.; Shao, J.; Asmann, Y. W.

プレプリント

J-GLOBAL ID：202202220484734890 整理番号：22P0315813

トランスクリプトームデータに適用した機械学習モデルの解釈可能性の評価と最適化【JST・京大機械翻訳】

Assessment and Optimization of the Interpretability of Machine Learning Models Applied to Transcriptomic Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

説明可能な人工知能は,機械学習モデルが決定をどのように行うかを解釈し,多くのモデル説明者がコンピュータビジョン分野で開発されている。しかし,生物学的データに対するこれらのモデル説明の適用性の理解はまだ不足している。本研究では,トランスクリプトミクスデータから組織型を予測する事前訓練モデルを解釈することにより,また,各試料からのトップ寄与遺伝子を同定することにより,モデル予測に最も大きな影響を持つ複数の説明者を包括的に評価した。モデル説明者によって生成された結果の再現性と解釈可能性を改善するために,著者らは多層パーセプトロン(MLP)と畳込みニューラルネットワーク(CNN)の2つの異なるモデルアーキテクチャに関する各説明者のための一連の最適化戦略を提案した。説明者とモデルアーキテクチャの組み合わせの3つのグループを高い再現性で認めた。グループIIは,凝集MLPモデルに関する3つのモデル説明者を含み,組織特異的徴候を示し,潜在的癌バイオマーカーである異なる組織でのトップ寄与遺伝子を同定した。要約すれば,本研究は,説明可能な機械学習モデルを用いて生物学的メカニズムを探索するための新しい洞察と指針を提供する。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る