机器学习辅助分类器用于过错误的NGS读数
Amira Sami1, Sara El-Metwally2,3, M Z Rashad1
1Department of Computer Science, Faculty of Computers and Information, Mansoura University, P.O. Box: 35516, Mansoura, Egypt.
BMC bioinformatics
|February 6, 2024
概括
机器学习有效地过下一代测序 (NGS) 读取中的错误,改善数据质量和基因组组. 这种方法提高了基因组学和个性化医学研究的准确性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 下一代测序 (NGS) 产生了大量的生物数据,但增加的速度和可负担性导致更多的错误.
- 数据质量保证正在从硬件转移到软件预处理阶段.
- 有效的错误检测和过对于可靠的NGS数据分析至关重要.
研究的目的:
- 为了介绍MAC-ErrorReads,这是一个新的机器学习辅助分类器,用于过错误的NGS读数.
- 评估机器学习算法在识别和删除低质量的阅读中的性能.
- 提高基因组数据的准确性和可靠性.
主要方法:
- 开发了MAC-ErrorReads,一种使用五种监督机器学习算法的二进制分类模型.
- 从各种生物数据集中使用术语频率-反向文档频率 (TF_IDF) 提取特征.
- 在数据集上训练和测试模型,包括大肠杆菌,金黄色杆菌,H.Chr14,Arabidopsis thaliana Chr1和M.斑马.
主要成果:
- 在MAC-ErrorReads中,天真的贝叶斯 (NB) 在数据集中表现出强大的性能,具有高准确性,精度,回忆和F1分数.
- MAC-ErrorReads NB实现了S. aureus读取的38.69%的对齐率,超过了许多错误校正工具.
- 与其他工具相比,MAC-ErrorReads显示了具有竞争力的调整率 (例如,H. Chr14的>99%,A. thaliana Chr1的~90%和M. zebra的~83%).
结论:
- 机器学习有效过NGS读取,显著提高组装质量和基因组覆盖率.
- 将人工智能与基因组学相结合,可以提高NGS数据质量和下游分析.
- 这种方法有望促进遗传学,基因组学和个性化医学研究的发展.
