生物DiscViz:对BioDiscML结果的可视化支持和共识签名选择器
Sophiane Bouirdene1, Mickael Leclercq1, Léopold Quitté1
1Département de Médecine Moléculaire du CHU de Québec, Université Laval, Québec, QC, Canada.
PloS one
|November 30, 2023
概括
生物DiscViz通过为BioDiscML工具提供交互式可视化来增强机器学习 (ML) 生物标记器的发现. 这提高了研究人员对复杂的ML模型结果的可访问性和可解释性.
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
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 算法擅长识别复杂的模式和生物标记符号,而传统的统计数据却失败了.
- 当前的ML文献往往缺乏用于构建非超拟合模型的最先进的方法.
- 像BioDiscML这样的现有工具解决了通过多个评估策略的过,但需要增强可视化和灵活性.
研究的目的:
- 开发一个交互式可视化工具,BioDiscViz,以提高BioDiscML输出的可用性和可访问性.
- 为研究人员提供先进的视觉支持,用于调查ML衍生的生物标记符号.
- 为了方便从ML模型中提取共识签名.
主要方法:
- 开发BioDiscViz,这是一个与BioDiscML集成的视觉交互工具.
- 实现各种可视化,包括主要组件分析 (PCA) 图,UMAP,t-SNE,热图和盒子图.
- 包括过机制,以支持共识生物标志物签名的提取.
主要成果:
- 生物DiscViz提供了全面的摘要,表格和图形来分析ML模型的结果.
- 该工具有效地可视化了最佳的ML模型及其相关特征.
- 生物DiscViz支持通过交互式过识别共识生物标记符号的识别.
结论:
- 生物DiscViz显著提高了ML结果的调查,使复杂的分析更容易获得.
- 该工具通过提供直观的可视化功能,使研究中的ML应用实现民主化.
- 生物DiscViz通过扩大社区的访问和理解来促进ML驱动的研究的新机会.
