.png){kind=icon}
返回
Interpreting Supervised Machine Learning Inferences in Population Genomics Using Haplotype Matrix Permutations
.png){kind=icon}
OA
AI
DOI：10.1093/molbev/msaf250.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
监督式机器学习方法，例如使用单倍型矩阵作为输入数据的卷积神经网络（CNNs），已成为群体基因组学推断的强大工具。然而，这些方法通常缺乏可解释性，使得难以理解哪些群体遗传学特征驱动其预测——这是方法开发和生物学解释中的一个关键限制。在此，我们介绍了一种系统性的置换方法，该方法逐步破坏输入测试单倍型矩阵中的群体遗传学特征，包括连锁不平衡、单倍型结构和等位基因频率。通过测量每次置换后的性能下降，可以评估每个特征的重要性。我们将该方法应用于三个用于正向选择和人口历史推断的已发表CNNs。我们发现，正向选择推断CNN ImaGene严重依赖于单倍型结构和连锁不平衡模式，而人口推断CNN主要依赖于等位基因频率信息。令人惊讶的是，另一个正向选择推断CNN disc-pg-gan仅使用简单的等位基因计数信息就实现了高精度，这表明其训练方案可能未能充分挑战模型以学习复杂的群体遗传学特征。我们的方法为解释任何基于单倍型矩阵的方法提供了一个简单、模型无关且生物学驱动的框架，提供了能够指导群体基因组学方法开发和应用的见解。
Keyword:
RECENT POSITIVE SELECTION
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.3
论文数:
8.4K
被引数:
6.6W
机构
引用论文
分享收藏THE INTERACTION OF SELECTION AND LINKAGE. I. GENERAL CONSIDERATIONS; HETEROTIC MODELS.png)
Genetics
OAAI
GeneticsIF0
OAAI分享收藏Recent Selective Sweeps in North American Drosophila melanogaster Show Signatures of Soft SweepsPLOS GENETICSOAAI
PLOS GENETICSIF3.7
OAAI分享收藏分享收藏
查看更多内容