Predicción de enfermedades mediante transformadores para conjuntos de datos de expresión génica

Prediction of diseases using transformers for gene expression dataset

Introducción: La expresión génica es un proceso importante que conecta la información codificada en un gen con su producto funcional final. Por lo tanto, evaluar la expresión génica es vital para el desarrollo de tratamientos y el seguimiento de enfermedades, ya que estas pueden tener consecuencias imprevistas. Objetivos: Diversos estudios han incorporado el concepto de aprendizaje profundo (ADP) con conjuntos de datos genéticos para la predicción de enfermedades. Sin embargo, los métodos de ADP predominantes se consideran extremadamente ineficaces en términos de precisión y otros aspectos de la predicción de enfermedades. Por lo tanto, se aplica el ADP con transformadores para la predicción de enfermedades con conjuntos de datos genéticos. Dado que los transformadores son mecanismos de autoatención, esto permite el uso de información contextual para cualquier ubicación en la secuencia de entrada y ayuda a capturar dependencias de largo alcance, lo que contribuye a obtener una mayor precisión y un modelo eficaz para la predicción de enfermedades. Métodos: Este artículo se centra en las aplicaciones de la expresión génica con diferentes algoritmos de ADP junto con transformadores para la predicción de enfermedades. Algunas de las aplicaciones de los transformadores con conjuntos de datos de expresión génica incluyen la predicción de cánceres como el de pulmón y el de estómago, y el descubrimiento de fármacos, temas centrales de este artículo. Resultados: Se realiza un análisis crucial considerando aspectos como la arquitectura, el conjunto de datos y el proceso. Este análisis ayuda a identificar los aspectos de los algoritmos de aprendizaje automático con y sin transformadores. Finalmente, se identifican lagunas mediante el análisis de investigadores en transición, las cuales podrían considerarse como recomendaciones futuras para superarlas y generar trabajos prometedores en esta área. Conclusión: A pesar de sus numerosas ventajas, los estudios sobre predicción de enfermedades son limitados. En el presente estudio se analizan diferentes aplicaciones, como la predicción del cáncer y el descubrimiento de fármacos. Se ha observado que la incorporación de transformadores en los algoritmos de aprendizaje automático se ha implementado con mayor frecuencia a partir de 2021; sin embargo, existen algunas complicaciones que deben superarse para la predicción de enfermedades. El aprendizaje automático que utiliza transformadores junto con conjuntos de datos genéticos será útil en la predicción de enfermedades. Este estudio ayudará a los investigadores en sus innovaciones en esta área para mejorar la eficacia y la eficiencia en la predicción de enfermedades.

Introduction: Gene expression is a significant process which bridges the gap between information encoded within a gene and the final functional product of a gene. Therefore, evaluating gene expression is a vital process in terms of developing treatment and monitoring of disease, as diseases can result in unforeseen consequences. Objectives: Various studies have incorporated the Deep Learning (DL) concept with gene datasets for prediction of disease. However, prevailing DL methods are considered to be extremely ineffective in terms of accuracy and other aspects of disease prediction. Therefore, DL with transformers are applied for predicting the disease with gene dataset. As transformers are self-attention mechanisms, this permits the use of contextual information for any location in the input sequence and aids in capturing long range dependencies, which aids in delivering better accuracy and effective model for predicting disease. Methods: This paper focuses on the applications of gene expression with different DL algorithms along with transformers for prediction of diseases. Some of the applications of transformers with gene expression dataset include prediction of cancer such as lung cancer, stomach cancer and drug discovery, a focus of this paper. Results: Crucial analysis is undertaken by considering certain aspects such as architecture, dataset, process. This analysis helps in finding the aspects of the DL algorithms with and without transformers. Finally, gaps are identified through the analysis of transitional researchers and could be considered as future recommendations by overcoming the gaps that are intended to create promising work in this area. Conclusion: Despite having several advantages, there have been limited studies in terms of prediction of disease. Different applications such as cancer prediction, drug discovery are looked at in the present study. It has been observed that incorporation of transformers in DL algorithms were implemented more beginning from the year 2021; still there are a few complications which needs to be overcome for prediction of diseases. DL using transformers alongside gene datasets will be helpful in disease prediction. This study would aid researchers in their innovations in this area for enhancing the effectiveness and efficiency in prediction of disease.

Introdução: A expressão gênica é um processo significativo que preenche a lacuna entre a informação codificada em um gene e o produto funcional final de um gene. Portanto, avaliar a expressão gênica é um processo vital em termos de desenvolvimento de tratamento e monitoramento de doenças, visto que doenças podem resultar em consequências imprevistas. Objetivos: Diversos estudos incorporaram o conceito de Aprendizado Profundo (APL) com conjuntos de dados genéticos para a predição de doenças. No entanto, os métodos de APL predominantes são considerados extremamente ineficazes em termos de precisão e outros aspectos da predição de doenças. Portanto, APL com transformadores é aplicada para a predição de doenças com conjuntos de dados genéticos. Como os transformadores são mecanismos de autoatenção, isso permite o uso de informações contextuais para qualquer local na sequência de entrada e auxilia na captura de dependências de longo alcance, o que contribui para fornecer maior precisão e um modelo eficaz para a predição de doenças. Métodos: Este artigo foca nas aplicações da expressão gênica com diferentes algoritmos de APL, juntamente com transformadores, para a predição de doenças. Algumas das aplicações de transformadores com conjunto de dados de expressão gênica incluem a previsão de cânceres como câncer de pulmão, câncer de estômago e a descoberta de medicamentos, foco deste artigo. Resultados: Uma análise crucial é realizada considerando certos aspectos como arquitetura, conjunto de dados e processos. Essa análise auxilia na identificação dos aspectos dos algoritmos de DL com e sem transformadores. Por fim, lacunas são identificadas por meio da análise de pesquisadores em transição e podem ser consideradas recomendações futuras, superandoas, visando gerar trabalhos promissores nessa área. Conclusão: Apesar de apresentar diversas vantagens, estudos em termos de previsão de doenças são limitados. Diferentes aplicações, como previsão de câncer e descoberta de medicamentos, são analisadas no presente estudo. Observou-se que a incorporação de transformadores em algoritmos de DL foi implementada com mais frequência a partir de 2021; ainda existem algumas complicações que precisam ser superadas para a previsão de doenças. DL utilizando transformadores juntamente com conjuntos de dados de genes será útil na previsão de doenças. Este estudo auxiliará pesquisadores em suas inovações nessa área para aumentar a eficácia e a eficiência na previsão de doenças.