Epistatic Net обеспечивает разреженную спектральную регуляризацию глубоких нейронных сетей для вывода функций приспособленности

Epistatic Net allows the sparse spectral regularization of deep neural networks for inferring fitness functions
Kannan Ramchandran, Yijie Huang, Amirali Aghazadeh, Hunter M. Nisonoff, Jennifer Listgarten, David H. Brookes, Orhan Öçal, O. Ozan Koyluoglu
2021-09-01

Epistatic Netглубокие нейронные сетивывод функций приспособленностиразреженные эпистатические взаимодействияспектральная регуляризация
Несмотря на недавний прогресс в высокопроизводительных экспериментах по комбинаторному мутагенезу, число меченых последовательностей, доступных для предсказания молекулярных функций, остается небольшим по сравнению с огромным пространством последовательностей и сложным ландшафтом многих функций приспособленности. Хотя глубокие нейронные сети (DNNs) способны выявлять эпистатические взаимодействия высокого порядка между сайтами мутаций, они склонны переобучаться на небольшом числе меченых последовательностей, доступных для обучения. Здесь мы разработали Epistatic Net (EN) — метод спектральной регуляризации DNNs, использующий данные о том, что эпистатические взаимодействия во многих функциях приспособленности являются разреженными. Мы создали масштабируемое расширение EN, предназначенное для более длинных последовательностей и позволяющее выполнять спектральную регуляризацию с помощью быстрых алгоритмов восстановления разреженных сигналов, разработанных с учетом положений теории кодирования. Результаты, полученные на нескольких биологических ландшафтах, показывают, что EN стабильно повышает точность предсказаний DNNs и позволяет им превосходить конкурирующие модели, основанные на других априорных предположениях. EN оценивает эпистатические взаимодействия высокого порядка в DNNs, обученных на пространствах последовательностей огромного размера, — вычислительная задача, решение которой без этого метода заняло бы годы.
1
Масштабируемое расширение EN применяет быстрые алгоритмы разреженного восстановления, основанные на теории кодирования, для регуляризации моделей более длинных последовательностей.
2
На нескольких биологических ландшафтах приспособленности EN стабильно повышает точность прогнозов DNN и превосходит конкурирующие модели с другими априорными предположениями.
3
EN позволяет оценивать эпистатические взаимодействия высших порядков в DNN, обученных на пространствах огромных последовательностей, сокращая вычисления, которые иначе заняли бы годы.
4
Epistatic Net (EN) вводит спектральную регуляризацию глубоких нейронных сетей, используя разреженность взаимодействий высших порядков между мутациями.

модели глубоких нейронных сетей биологических функций приспособленности на комбинаторных пространствах последовательностей

разреженные взаимодействия высших порядков между мутациями и их влияние на точность предсказания функций приспособленности

Publication Details
Publication Date
2021-09-01
Journal
Publisher
ISSN
Cited by
43
Access Type
Author Information
Authors
Kannan Ramchandran
Yijie Huang
Amirali Aghazadeh
Hunter M. Nisonoff
Jennifer Listgarten
David H. Brookes
Orhan Öçal
O. Ozan Koyluoglu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%