Классификация глубокого обучения + SNP GWAS

"Бумага"

Полногеномные ассоциативные исследования являются важным инструментом для исследователей, поскольку они позволяют им выявлять варианты, связанные с интересующими фенотипами. Как правило, большое количество SNP исследуется индивидуально, значение p извлекается и корректируется, а последующий подробный анализ выполняется для придания смысла найденным SNP.

Однако моделирование взаимодействия между SNP обычно не встроено в конвейеры. В этой статье авторы используют подход глубокого обучения в конце типичного рабочего процесса GWAS для группы пациентов с ожирением.

Они взяли статистически значимые SNP с разными порогами значимости (т. е. p-значения от 1e-5 до 1e-2) и использовали генотипы или дозы этих SNP в качестве признаков для своей модели глубокого обучения. Они обнаружили, что модель с наибольшим количеством SNP (p-значение ‹ 1e-2) работала лучше всего. Это довольно интересно, поскольку предполагает наличие эпистатических взаимодействий на более высоком уровне между многими менее значимыми SNP, чем модель с меньшими, но более значимыми SNP.

Однако их модель, вероятно, страдает расовой предвзятостью, поскольку более 99% их когорты — европеоиды. Кроме того, авторы отмечают, что будущая работа должна включать реальное изучение модели глубокого обучения.

Обучение с подкреплением для разработки противораковых соединений

"Бумага"

Хотя я мало что знаю об обучении с подкреплением, я вижу его потенциальную ценность в открытии знаний. В этой статье авторы объединяют генеративную модель, которая рекомендует новые молекулярные средства для противоопухолевых препаратов. Эта модель вознаграждается за счет показателя чувствительности к лекарству IC50 при использовании целевого биомолекулярного профиля, который используется для повышения эффективности химической структуры созданного лекарства.

Модель состоит из двух вариационных автоэнкодеров — один для описания биомолекулярного профиля, а другой генерирует соединение. Затем они объединяются для создания соединения-кандидата на основе транскриптомного профиля отдельного субъекта. Критик оценивает это соединение и присуждает последующую награду.

Авторы создали 4 соединения-кандидата для различных видов рака и обнаружили, что созданные структуры лекарств аналогичны обычно используемым лекарствам от рака. Эти результаты многообещающие, но они отмечают, что их необходимо будет оптимизировать для других важных характеристик лекарств, таких как токсичность, чтобы действительно создать полезный инструмент для открытия лекарств. Нам нужны лучшие функции вознаграждения!

Если вы хотите, чтобы я написал об определенной статье, пожалуйста, напишите по адресу [email protected]!

Спасибо за чтение.