Semantically Rich Local Dataset

Semantically Rich Local Dataset是由里斯本大学科学学院LASIGE的研究团队开发的，旨在通过遗传编程生成用于基因组序列局部解释的数据集。该数据集包含5000条数据，通过引入语义多样性的扰动序列来探索模型的语义空间。数据集的创建过程涉及使用特定的语法规则和遗传操作符，确保生成的序列在语法上与原始数据相似，同时在模型预测中引入语义变异。该数据集主要应用于基因组学领域的可解释AI，特别是RNA剪接过程的研究，旨在揭示基因调控机制的复杂性。

搜集汇总

数据集介绍

构建方式

Semantically Rich Local Dataset 构建了一种基于遗传编程（Genetic Programming, GP）的方法来生成局部解释所需的合成数据集。该方法通过在输入序列的语法邻域内进化扰动来生成数据集，从而在维持序列语法相似性的同时引入模型预测的语义变化。遗传编程使用一个定制的、领域指导的个体表示，有效地限制了语法相似性，并提供了两种替代的适应度函数，以促进多样性。该方法应用于RNA剪接领域，快速实现了良好的多样性，并在探索搜索空间方面显著优于随机基线。

使用方法

Semantically Rich Local Dataset 的使用方法主要包括以下步骤：首先，使用遗传编程方法生成合成数据集；然后，使用生成的数据集对解释模型进行训练；最后，使用训练好的解释模型对原始模型进行局部解释。此外，该数据集还可以用于下游的生物医学应用，例如基因表达预测、序列设计等。

背景与挑战

背景概述

在基因组学领域，深层神经网络模型在预测基因调控机制的结果方面表现出色。然而，由于这些模型的复杂性，目前仅能构建局部可解释的替代模型（例如，单个实例）。要实现这一点，需要在输入的邻域生成一个数据集，该数据集必须保持与原始数据的语法相似性，同时引入模型预测的语义变化。这一任务极具挑战性，因为DNA的序列到功能关系复杂。我们提出使用遗传编程来生成数据集，通过在序列中引入扰动来进化其语义多样性。我们的定制、领域引导的个体表示有效地约束了语法相似性，并提供两种替代的适应性函数，无需计算即可促进多样性。应用于RNA剪接领域，我们的方法快速实现了良好的多样性，并在探索搜索空间方面显著优于随机基线。此外，我们还评估了其泛化能力，并展示了其在更大序列上的可扩展性，与基线相比，性能提高了约30%。

当前挑战

生成语义丰富的本地数据集面临的挑战包括：1) 所解决的领域问题是RNA剪接，这是一个在基因表达过程中发生的重要生物过程，其中RNA序列被编辑以去除某些区域（内含子），然后将剩余的块（外显子）连接在一起。2) 构建过程中所遇到的挑战包括：由于序列长度与序列同时单核苷酸扰动的数量成线性增长，搜索空间呈指数级增长。因此，穷举搜索变得计算上不可行，而随机搜索则忽视了语义空间，可能导致数据集稀疏覆盖适应度景观。为了解决这个问题，我们提出使用具有定制领域感知语法的遗传编程（GP），该语法限制了应用于原始序列的扰动。我们还定义了两种适应性函数，Bin filler和Increased Archive Diversity，以评估每个序列提高数据集质量的潜力。

常用场景

经典使用场景

该数据集主要用于解释基因组学中深度学习模型的预测结果，通过生成具有语义丰富性和语法相似性的本地数据集，帮助研究者理解模型预测背后的生物学机制。

解决学术问题

该数据集解决了深度学习模型难以解释的问题，通过生成本地数据集，研究者可以训练可解释的替代模型，从而更好地理解模型的预测过程和生物学规律。

实际应用

该数据集在实际应用中可以用于辅助生物医学研究，帮助研究者预测基因表达水平，开发更有效的mRNA疫苗等。同时，该数据集也可以用于训练可解释的替代模型，以提高模型的可解释性和泛化能力。

数据集最近研究

最新研究方向

Semantically Rich Local Dataset Generation for Explainable AI in Genomics

相关研究论文

• Semantically Rich Local Dataset Generation for Explainable AI in Genomics

  里斯本大学科学学院LASIGE · 2024年