基准测试特征选择和特征提取方法,以提高机器学习算法的性能,用于使用代谢学生物医学数据进行患者分类

科学领域:

• 生物医学数据分析
• 机器学习在生物学中的应用

背景情况:

• 由于异质性,稀疏性和高维度 (p >> n),omics数据给机器学习带来了挑战.
• 类和特征不平衡是多omics数据集中的常见问题,阻碍了准确的分类.
• 代谢学对于了解癌症至关重要,但其数据复杂性需要先进的分析方法.

研究的目的:

• 调查特征提取和选择技术对机器学习分类性能与omics数据的影响.
• 根据数据特征制定应用这些技术的指导方针.
• 评估这些方法在不同类型的奥米克学中可通用性.

主要方法:

• 应用各种线性和非线性特征提取技术到三个代谢学数据集.
• 评估的特征提取方法,有或没有监督特征选择.
• 测试了转录组学和蛋白质组学数据集的方法,以评估更广泛的适用性.

主要成果:

• 监督的特征选择始终改善了所有测试的omics数据集中的特征提取方法的分类性能.
• 通过使用拟议的特征工程策略,证明了患者分类准确度的提高.
• 提供了可泛化的工作流程和指导方针,以优化omics数据分类.

结论:

• 功能选择是提高机器学习模型在OMIC数据分析中的性能的一个关键步骤.
• 这些发现为改善癌症研究和其他生物医学领域的分类准确性提供了实际策略.
• 该研究为研究人员提供了有价值的见解和工具,用于处理复杂的生物数据集.