Prueba de la Estabilidad de las Interpretaciones de Modelos de Deep Learning con Priors Biológicos

Abstract

Single-cell RNA sequencing (scRNA-seq) has revolutionized the study of cellular heteroge- neity, enabling the identification of new subpopulations and cellular states. Deep learning (DL) models have shown remarkable success in analyzing scRNA-seq data, but their interpretability remains a challenge. To address this, we propose using biological priors, derived from extensive biological network databases such as KEGG and Reactome, to enhance the interpretability of DL models in Systems Biology. By incorporating prior knowledge into the model architecture, we aim to guide the models towards learning more interpretable representations, enabling the extraction of new knowledge and insights into the decision-making process. This approach not only improves interpretability but also addresses the limitations of current methodologies, such as instability and inconsistency in model interpretations. Our study will systematically investigate how the integration of prior knowledge stabilizes and enriches model interpretations, focusing on the stability of DL models with biological priors based on cellular signaling pathways applied to single-cell data. Through this research, we strive to boost confidence in the conclusions drawn from these models and provide robust methodological guidelines for reproducible results across diverse contexts and datasets.

La secuenciación de ARN de una sola célula (scRNA-seq) ha revolucionado el estudio de la heterogeneidad celular, permitiendo la identificación de nuevas subpoblaciones y estados celulares. Los modelos de aprendizaje profundo (AP) han demostrado un éxito notable en el análisis de datos scRNA-seq, pero su interpretabilidad sigue siendo un desafı́o. Para abordar esto, proponemos utilizar conocimiento biológico a priori, derivados de extensas bases de datos de redes biológicas como KEGG y Reactome, para mejorar la interpretabilidad de los modelos AP en Biologı́a de Sistemas. Al incorporar conocimiento previo en la arquitectura del modelo, nuestro objetivo es guiar a los modelos hacia el aprendizaje de representaciones más interpretables, permitiendo la ex- tracción de nuevos conocimientos y perspectivas sobre el proceso de toma de decisiones. Este enfoque no solo mejora la interpretabilidad, sino que también aborda las limitaciones de las metodologı́as actuales, como la inestabilidad y la inconsistencia en las interpretaciones de los modelos. Nuestro estudio investigará sistemáticamente cómo la integración del conocimiento previo estabiliza y enriquece las interpretaciones de los modelos, centrándose en la estabilidad de los modelos AP con priors biológicos basados en vı́as de señalización celular aplicadas a datos de una sola célula. A través de esta investigación, nos esforzamos por aumentar la confianza en las conclusiones extraı́das de estos modelos y proporcionar pautas metodológica