机构名称：
¥ 1.0
细胞通过跨多组学层的不同分子之间的复杂相互作用而存活和增殖。用于识别这些相互作用的传统实验方法为分子生物学奠定了坚实的基础，但与高通量技术测量的多组学数据的快速积累相比，它们的可扩展性逐渐变得不足。因此，近年来，对数据驱动的细胞内相互作用计算建模的需求日益凸显。多组学相互作用的复杂性主要归因于其非线性。也就是说，它们的准确建模需要所考虑的基因或蛋白质之间存在复杂的条件依赖性、协同作用或拮抗作用，这会阻碍实验验证。人工智能 (AI) 技术，包括深度学习模型，是处理可扩展且产生大量数据的特征之间复杂非线性关系的最佳选择。因此，它们在建模多组学相互作用方面具有巨大潜力。尽管存在许多用于计算生物学应用的人工智能驱动模型，但很少有模型明确地将先验知识纳入模型架构或训练程序中。这种通过领域知识指导模型的方法将大大减少训练模型所需的数据量，并限制其巨大的表达能力以专注于生物相关空间。因此，它可以增强模型的可解释性，减少虚假相互作用，并证明其有效性和实用性。因此，为了促进知识引导的人工智能技术在多组学相互作用建模中的进一步发展，我们在此回顾了迄今为止开发的用于多组学相互作用的深度学习模型的代表性生物信息学应用，并按指导模式对其进行分类。
知识引导的人工智能技术...
主要关键词
相关文件推荐
