Expliquer la classification d'expression de gènes par la méthode des gradients intégrés
Résumé
Over the past years, various neural networks have been trained to accurately differentiate healthy and pathological tissues from gene expression data. These predictive models most likely contain information about the molecular mechanisms inducing a pathological state. It is therefore useful to explain how their decisions are made. Several methods can be used to assess the importance of the contribution of each gene in a sample to its classification as healthy or pathological. However, such an ordering of genes is not necessarily directly interpretable. In this context, we explore metrics to assess the relevance of orderings generated by the integrated gradient method on gene expression data from the Cancer Genome Atlas and on simulated data.
-Au cours des dernières années, divers réseaux de neurones ont été entraînés à différencier des tissus sains et pathologiques avec précision en utilisant des données d'expression de gènes. Ces modèles prédictifs contiennent très probablement des informations sur les mécanismes moléculaires induisant un état pathologique. Il est donc utile d'expliquer comment leurs décisions sont prises. Plusieurs méthodes permettent d'évaluer l'importance de la contribution de chacun des gènes d'un échantillon à sa classification comme sain ou pathologique. Cependant, un tel classement des gènes n'est pas nécessairement directement interprétable. Dans ce contexte, nous explorons des métriques évaluant la pertinence des classements générés par la méthode des gradients intégrés sur des données d'expression de gènes issues de l'Atlas du Génome du Cancer et sur des données simulées.
Domaines
Informatique [cs]Origine | Fichiers produits par l'(les) auteur(s) |
---|