- 7 次围观
DeepInsight 风格的方法通过将每个特征放置在图像载体上的固定位置，使表格特征之间的关系能够被卷积神经网络所利用。一个尚未解决的设计问题是：当特征邻域本身承载了部分信号时，应当如何构建载体几何结构。我们提出 vDeepInsight，一种单射的三维（3D）体素载体；在保持每个特征与单个体素一一映射的同时，它比匹配的二维（2D）载体更忠实地保留了特征邻域。基因首先通过 t-SNE 或 UMAP 进行嵌入，随后借助线性和分配被一对一地分配到稀疏体素网格中，并由子流形稀疏 3D 卷积网络进行处理。我们通过四项相互关联的分析，在基因表达数据上评估该载体。 首先，表征质量指标表明，在任何模型训练之前，3D 布局相较于匹配的 2D 布局能够减少基因邻域的失真。其次，受控合成任务显示，稀疏 3D 卷积能够利用这种被保留的局部性，但前提是监督信号被构造为依赖于共定位基因，并且感受野覆盖相邻体素。第三，在真实组学任务中，3D 载体可达到或超过经过调优的表格基线模型，并且持续优于匹配的 2D 载体；在标记型分类任务上，这一优势较小，因为单个基因本身已携带了标签的大部分信息（如组织、谱系和癌症类型分类）；而在程序型任务上，这一优势更为明显，因为目标依赖于协调的、通路层面的多基因活动（如药物反应回归、TCGA 免疫基因组学背景回归以及作用机制分类）。第四，由于该分配是单射的，体素归因图可以直接映射回基因，从而无需进行体素到基因的反卷积，便可实现基因层面的归因和通路层面的功能解释。总体而言，新增的载体维度提高了特征邻域表征的保真度，并将这种提升转化为预测性能的增益；当信号分布于局部基因程序之中，而非由单个标记基因主导时，这种增益最为显著。
DeepInsight 风格的方法通过将每个特征放置在图像载体上的固定位置，使表格特征关系能够被卷积神经网络所利用。一个尚待解决的设计问题是：当特征邻域本身承载了部分信号时，应如何构建载体几何结构。我们提出了 vDeepInsight，这是一种单射的三维（3D）体素载体，相较于匹配的二维（2D）载体，它能够在保持每个特征与单个体素一一对应映射的同时，更忠实地保留特征邻域。基因首先通过 t-SNE 或 UMAP 进行嵌入，再通过线性和分配被一一分配到稀疏体素网格中，随后由子流形稀疏三维卷积网络进行处理。我们通过四项相互关联的分析，在基因表达数据上评估了该载体。第一，表征质量指标显示，在任何模型训练之前，3D 布局相较于匹配的 2D 布局能够减少基因邻域的失真。第二，受控的合成任务表明，稀疏 3D 卷积能够利用这种被保留的局部性，但前提是监督信号被构造为依赖于共定位基因，并且感受野覆盖相邻体素。第三，在真实组学任务中，3D 载体达到或超过了经过调优的表格基线方法，并且持续优于匹配的 2D 载体；在标记物类型分类任务中，这种优势较小，因为单个基因本身已携带了大部分标签信息（如组织、谱系和癌症类型分类）；而在程序类型任务中，这种优势更大，因为目标依赖于协调一致的、通路层面的多基因活性（如药物反应回归、TCGA 免疫基因组学背景回归以及作用机制分类）。第四，由于该分配是单射的，体素归因图可以直接映射回基因，从而无需进行体素到基因的反卷积，便可实现基因层面的归因和通路层面的功能解释。总体而言，新增的载体维度提高了特征邻域表征的保真度，并将这种改进转化为预测性能的提升；而当信号分布在局部基因程序中、而非由单个标记基因主导时，这种提升最为显著。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.22.733711v1?rss=1
🏷️ 基因表达分析 三维体素表示 特征邻域学习 稀疏3D卷积 组学预测建模