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

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.