A deep manifold-regularized learning model for improving phenotype prediction from multi-modal data

情态动词 计算机科学 深度学习 人工智能 机器学习 特征(语言学) 临床表型 歧管(流体力学) 特征学习 非线性降维 模式识别(心理学) 表型 生物 降维 基因 工程类 哲学 化学 高分子化学 机械工程 生物化学 语言学
作者
Nam D. Nguyen,Jiawei Huang,Daifeng Wang
出处
期刊:Nature Computational Science [Springer Nature]
卷期号:2 (1): 38-46 被引量:29
标识
DOI:10.1038/s43588-021-00185-x
摘要

The phenotypes of complex biological systems are fundamentally driven by various multi-scale mechanisms. Multi-modal data, such as single cell multi-omics data, enables a deeper understanding of underlying complex mechanisms across scales for phenotypes. We developed an interpretable regularized learning model, deepManReg, to predict phenotypes from multi-modal data. First, deepManReg employs deep neural networks to learn cross-modal manifolds and then to align multi-modal features onto a common latent space. Second, deepManReg uses cross-modal manifolds as a feature graph to regularize the classifiers for improving phenotype predictions and also for prioritizing the multi-modal features and cross-modal interactions for the phenotypes. We applied deepManReg to (1) an image dataset of handwritten digits with multi-features and (2) single cell multi-modal data (Patch-seq data) including transcriptomics and electrophysiology for neuronal cells in the mouse brain. We show that deepManReg improved phenotype prediction in both datasets, and also prioritized genes and electrophysiological features for the phenotypes of neuronal cells.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
None完成签到,获得积分10
1秒前
2秒前
2秒前
liupidanqiu完成签到,获得积分10
2秒前
2秒前
3秒前
无情的麦片完成签到 ,获得积分10
3秒前
Ashmitte完成签到,获得积分10
3秒前
whujiege驳回了Ava应助
3秒前
LM完成签到,获得积分10
4秒前
4秒前
5秒前
5秒前
才下眉头完成签到,获得积分10
5秒前
Hollow完成签到,获得积分10
5秒前
lijl0529完成签到,获得积分10
6秒前
王铁柱完成签到,获得积分10
6秒前
地方发布了新的文献求助10
6秒前
6秒前
小诗发布了新的文献求助10
6秒前
CipherSage应助展开的黑花球采纳,获得10
6秒前
6秒前
思源应助北纬工人采纳,获得10
6秒前
6秒前
7秒前
腼腆的大树完成签到,获得积分20
7秒前
7秒前
早川完成签到 ,获得积分10
8秒前
念旧完成签到 ,获得积分20
8秒前
nz完成签到,获得积分10
8秒前
酷酷水壶发布了新的文献求助10
8秒前
pluto应助月下荷花采纳,获得50
8秒前
哒哒哒发布了新的文献求助10
9秒前
东方发布了新的文献求助10
10秒前
10秒前
10秒前
wangdake发布了新的文献求助10
10秒前
成成完成签到,获得积分10
10秒前
12138的9527完成签到,获得积分10
11秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
The Data Economy: Tools and Applications 1000
Diamonds: Properties, Synthesis and Applications 800
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufen 700
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3095922
求助须知:如何正确求助?哪些是违规求助? 2747787
关于积分的说明 7596792
捐赠科研通 2399425
什么是DOI,文献DOI怎么找? 1273033
科研通“疑难数据库(出版商)”最低求助积分说明 615515
版权声明 598948