图卷积神经网络在组学数据分类预测中的应用

• 作者: 张刘超 荣志炜 赵薇薇 李康
• 来源期刊: 中国卫生统计
• 关键词: 图卷积神经网络 深度学习 高维组学 分类预测
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 应用研究
• 页码范围: 533-535
• 页数: 3页
• 分类号: R195.1
• 语种: 中文
• DOI: 10.3969/j.issn.1002-3674.2021.04.012

摘要

目的 探讨图卷积神经网络(graph convolutional neural network,GCNN)利用PPI网络对组学数据的分类预测效能.方法 通过模拟实验和实例研究,对GCNN、随机森林、支持向量机和多层感知机共四种方法的分类效果进行比较.结果 模拟实验结果显示,即便在样本量和网络中节点数量较少时,GCNN的分类效能也明显优于其他三种方法,并且随着节点数量的增加而不断提高.实例研究表明,利用STRING网络,GCNN的分类效能最优.结论 GCNN在组学数据的研究中极具潜力,值得进一步研究.