机器学习对生物标志物发现的好处和陷
Sandra Ng1, Sara Masarone1,2, David Watson3
1Centre for Translational Bioinformatics, William Harvey Research Institute, Queen Mary University of London, London, UK.
Cell and tissue research
|July 27, 2023
概括
可解释的人工智能通过提供机械洞察力来增强生物标志物发现,克服大型omics数据集中的挑战. 这种方法有助于识别可靠的疾病生物标志物,并了解治疗反应.
科学领域:
- 生物标志物发现发现
- 人工智能的人工智能
- 欧米克斯技术技术 (Omics Technologies) 是一个非常重要的技术.
背景情况:
- 敏感的奥米克平台能够进行大规模的生物分子测量,改善生物标志物发现前景.
- 全基因组发现面临着由于规模和多重测试的分析挑战,压倒了标准的统计方法.
- 机器学习和人工智能可能会过度调整解决方案,导致错误的发现,这些错误发现在更广泛的患者群体中缺乏概括性.
研究的目的:
- 为生物标志物发现引入机器学习 (ML) 和人工智能 (AI) 概念.
- 专注于使用可解释的人工智能 (XAI) 对预测的后期解释.
- 为了说明XAI在生物标志物发现中的应用,使用类风湿性关节炎病例研究.
主要方法:
- 对与生物标志物发现相关的基本ML和AI概念的审查.
- 在生物标志物研究中探索现有的XAI成功应用.
- 将AI应用于类风湿性关节炎数据集,以发现生物标志物.
主要成果:
- XAI为人工智能预测提供了机械解释,促进了验证.
- 该案例研究表明,AI/ML工具可以用于生物标志物发现.
- 讨论了使用人工智能来调查疾病机制的潜在挑战和解决方案.
结论:
- 可解释的人工智能为更强大和可重复的生物标志物发现提供了途径.
- 在复杂的生物系统中,XAI可以帮助区分真实信号和噪音.
- 人工智能和XAI对批判性地审问疾病和治疗反应机制具有前景.
