Explorando el papel de la normalización y la selección de características en las líneas de clasificación de...

Área de la Ciencia:

• Análisis del microbioma
• La bioinformática
• Aprendizaje automático

Sus antecedentes:

• Los datos del microbioma de ARNr 16S presentan desafíos como la alta dimensionalidad, la composicionalidad y la escasez.
• Los tamaños de muestra pequeños a menudo limitan la efectividad de los modelos de aprendizaje automático.
• Los estudios comparativos sobre la selección y la normalización de las características en los datos del microbioma son escasos.

Objetivo del estudio:

• Evaluar el impacto de diversas técnicas de selección de características y estrategias de normalización en la clasificación de enfermedades basadas en el microbioma.
• Identificar combinaciones óptimas de métodos para el descubrimiento robusto de biomarcadores y mejorar el rendimiento de la clasificación.
• Para comparar la efectividad de diferentes algoritmos de selección de características.

Principales métodos:

• Evaluación de las técnicas de selección de múltiples características (por ejemplo, mRMR, LASSO, autoencoders, información mutua, ReliefF).
• Evaluación de las diferentes estrategias de normalización (por ejemplo, log-ratio centrado, presencia-ausencia).
• Integración de la selección de características con clasificadores de aprendizaje automático (por ejemplo, regresión logística, SVM, bosque aleatorio).

Principales resultados:

• La normalización de la relación logarítmica centrada mejoró la regresión logística y el rendimiento SVM.
• Los modelos forestales aleatorios funcionaron bien con las abundancias relativas.
• Minimum Redundancy Maximum Relevancy (mRMR) y LASSO proporcionaron conjuntos de características compactos y un rendimiento comparable a otros métodos, con LASSO ofreciendo tiempos de cálculo más bajos.
• La normalización por ausencia de presencia logró un rendimiento similar al de los métodos basados en la abundancia.

Conclusiones:

• Las tuberías de selección de características mejoran significativamente el enfoque y la robustez del modelo al reducir el espacio de las características.
• mRMR y LASSO se identifican como los métodos de selección de características más efectivos para la clasificación de enfermedades del microbioma en diversos conjuntos de datos.