使用文献文本基于神经网络的遗传数据可视化:与心肌梗塞相关的例子

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 有效的数据可视化对于复杂,高维的数据集至关重要,特别是在生物学和医学领域.
• 现有的可视化方法与大型遗传数据集作斗争,这些数据集往往受到维度和对缺失数据的敏感度的限制.
• 对遗传信息的可解释可视化,如单核酸多态 (SNP),是必不可少的,但具有挑战性.

研究的目的:

• 为高维基遗传数据开发一种基于文献的新可视化方法.
• 在维度缩小过程中保留单核酸多态 (SNP) 的全球和本地结构.
• 通过整合科学文献中的文本信息来实现可解释的可视化.

主要方法:

• 提出一种基于文献的方法来减少高维SNP数据.
• 使用文献文本表示来保持SNP动态,并使文本可解释性.
• 评估了使用机器学习模型来分类风险因素 (种族,心肌梗塞,性别) 的方法.
• 采用可视化技术进行数据聚类和使用量化指标进行绩效评估.

主要成果:

• 提出的方法成功地减少了数据的维度,同时保留了全球和本地SNP结构.
• 通过利用文献中的文本信息来实现可解释的可视化.
• 在分类和可视化任务中表现优于流行的缩小维度和可视化方法.
• 证明了对缺失和更高维度遗传数据的强度.
• 展示了将遗传数据与文献中的其他风险信息集成的可行性.

结论:

• 基于文献的可视化方法为分析大型遗传数据集提供了强大的工具.
• 它提高了解释性和分类准确性,超过了现有的技术.
• 该方法对数据不完善具有稳定性,并且可以适应整合各种风险信息.