Ein Leitfaden für Deep Learning zur genomischen Vorhersage komplexer Merkmale

Deep Learning (DL) hat sich als mächtiges Werkzeug etabliert, um genaue Vorhersagen aus komplexen Daten wie Bildern, Texten oder Videos zu treffen. Seine Fähigkeit, phänotypische Werte aus molekularen Daten vorherzusagen, ist jedoch weniger gut untersucht. Hier beschreiben wir die theoretischen Grundlagen von DL und bieten einen generischen Code an, der leicht modifiziert werden kann, um spezifischen Bedürfnissen zu entsprechen. DL umfasst eine Vielzahl von Algorithmen, die von zahlreichen Hyperparametern abhängen. Eine sorgfältige Optimierung der Hyperparameterwerte ist entscheidend, um Overfitting zu vermeiden. Unter den derzeit in der genomischen Vorhersage getesteten DL-Architekturen scheinen konvolutionale neuronale Netzwerke (CNNs) vielversprechender zu sein als Mehrschichtperzeptrons (MLPs). Eine Einschränkung von DL liegt in der Interpretation der Ergebnisse. Dies mag für die genomische Vorhersage in der Pflanzen- oder Tierzüchtung nicht relevant sein, kann jedoch entscheidend sein, wenn es darum geht, das genetische Risiko für eine Erkrankung zu beurteilen. Obwohl DL-Technologien nicht "plug-and-play" sind, lassen sie sich leicht mit der öffentlichen Software von Keras und TensorFlow implementieren. Um die hier beschriebenen Prinzipien zu veranschaulichen, haben wir einen auf Keras basierenden Code auf GitHub implementiert.