wenda_gpu: fast domain adaptation for genomic data.
wenda_gpu: fast domain adaptation for genomic data.
复制标题
DOI：
10.1093/bioinformatics/btac663
复制
发表时间：
2022-11-15
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
即使在样本数据有限的情况下，领域自适应也允许开发预测模型。加权弹性网域适应特别利用基因组数据的特征来最大化可转移性，但该方法对计算要求太高，不适用于许多基因组大小的数据集。我们开发了Wenda_GPU，它使用GPyTorch在一台支持GPU的机器上在几个小时内训练基因组数据模型。我们证明了Wenda_GPU返回了与原始Wenda实现类似的结果，并且它可以用于在小样本容量上比常规弹性网络更好地预测癌症突变状态。文达图形处理器可在GitHub上获得，网址为https://github.com/greenelab/wenda_gpu/.补充数据可在生物信息学在线上获得。
Domain adaptation allows for the development of predictive models even in cases with limited sample data. Weighted elastic net domain adaptation specifically leverages features of genomic data to maximize transferability but the method is too computationally demanding to apply to many genome-sized datasets. We developed wenda_gpu, which uses GPyTorch to train models on genomic data within hours on a single GPU-enabled machine. We show that wenda_gpu returns comparable results to the original wenda implementation, and that it can be used for improved prediction of cancer mutation status on small sample sizes than regular elastic net. wenda_gpu is available on GitHub at https://github.com/greenelab/wenda_gpu/. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
8.8
作者：
Way GP;Sanchez-Vega F;La K;Armenia J;Chatila WK;Luna A;Sander C;Cherniack AD;Mina M;Ciriello G;Schultz N;Cancer Genome Atlas Research Network;Sanchez Y;Greene CS
通讯作者：
Greene CS
影响因子：
12.3
作者：
通讯作者：
--
影响因子：
8.8
作者：
Knijnenburg TA;Wang L;Zimmermann MT;Chambwe N;Gao GF;Cherniack AD;Fan H;Shen H;Way GP;Greene CS;Liu Y;Akbani R;Feng B;Donehower LA;Miller C;Shen Y;Karimi M;Chen H;Kim P;Jia P;Shinbrot E;Zhang S;Liu J;Hu H;Bailey MH;Yau C;Wolf D;Zhao Z;Weinstein JN;Li L;Ding L;Mills GB;Laird PW;Wheeler DA;Shmulevich I;Cancer Genome Atlas Research Network;Monnat RJ Jr;Xiao Y;Wang C
通讯作者：
Wang C
影响因子：
16.6
作者：
Mendiratta G;Ke E;Aziz M;Liarakos D;Tong M;Stites EC
通讯作者：
Stites EC
影响因子：
5.8
作者：
Handl, Lisa;Jalali, Adrin;Pfeifer, Nico
通讯作者：
Pfeifer, Nico