مثال 2: کاهش ابعاد داده‌های ژنومی با Autoencoder

مقدمه

در مسائل بیوانفورماتیک، داده‌های ژنومی معمولاً شامل هزاران ویژگی (ژن) هستند که پردازش آن‌ها به‌صورت مستقیم دشوار است. Autoencoder می‌تواند با یادگیری یک نمایش فشرده، ویژگی‌های مهم را حفظ کرده و ابعاد داده‌ها را کاهش دهد.

چرا Autoencoder و نه PCA؟

·       PCA  تنها روابط خطی را مدل می‌کند، درحالی‌که Autoencoder روابط غیرخطی را هم می‌آموزد.
 

·       در PCA، داده‌ها به ترکیب‌های خطی از ویژگی‌های اصلی کاهش می‌یابند، اما Autoencoder یک نمایش بهینه‌تر را در Bottleneck یاد می‌گیرد.
 

·       اندازه‌گیری کاهش خطای بازسازی در Autoencoder، برخلاف PCA، معیار مناسبی برای بررسی کیفیت نمایش فشرده است.

 

معماری Autoencoder برای کاهش ابعاد

import tensorflow as tf

from tensorflow.keras.layers import Input, Dense

from tensorflow.keras.models import Model

input_dim = 10000  # تعداد ژن‌ها

encoding_dim = 100  # نمایش فشرده در لایه Bottleneck

# لایه‌های شبکه

input_layer = Input(shape=(input_dim,))

encoded = Dense(5000, activation='relu')(input_layer)

encoded = Dense(1000, activation='relu')(encoded)

encoded = Dense(encoding_dim, activation='relu')(encoded)  # Bottleneck

decoded = Dense(1000, activation='relu')(encoded)

decoded = Dense(5000, activation='relu')(decoded)

decoded = Dense(input_dim, activation='linear')(decoded)  # بازسازی داده‌ها

# تعریف مدل

autoencoder = Model(input_layer, decoded)

autoencoder.compile(optimizer='adam', loss='mse')

ارزیابی مدل

·       خطای بازسازی (MSE)

·       مقایسه واریانس حفظ ‌شده بین PCA و Autoencoder

·       تحلیل ویژگی‌های کلیدی در Bottleneck

from sklearn.decomposition import PCA

import numpy as np

pca = PCA(n_components=100)

X_pca = pca.fit_transform(X_train)

variance_ratio_pca = np.sum(pca.explained_variance_ratio_)

X_autoencoded = autoencoder.encoder.predict(X_train)

variance_ratio_autoencoder = np.var(X_autoencoded) / np.var(X_train)

print(f"PCA Variance Retained: {variance_ratio_pca:.4f}")

print(f"Autoencoder Variance Retained: {variance_ratio_autoencoder:.4f}")

انتظار داریم Autoencoder واریانس بیشتری را نسبت به PCA حفظ کند