PerSEveML:一个基于网络的工具,用于识别罕见事件的持久生物标志物结构,使用集成机器学习方法
Sreejata Dutta1, Dinesh Pal Mudaranthakam1,2, Yanming Li1,2
1Department of Biostatistics & Data Science, University of Kansas Medical Center, Kansas City, Kansas, USA. msardiu@kumc.edu.
Molecular omics
|May 1, 2024
概括
PerSEveML是一个新的网络工具,它使用机器学习来预测复杂的omics数据中的罕见事件. 它有助于研究人员识别关键的生物特征,并从大型数据集中产生新的假设.
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:
- 由于高维度和罕见事件,Omics数据分析带来了计算挑战.
- 现有的机器学习 (ML) 方法是有用的,但将ML集成到生物洞察力的生物信息学工具是有限的.
研究的目的:
- 介绍PerSEveML,这是一个交互式网络工具,用于预测omics数据中的罕见事件.
- 通过揭示潜在的生物结构来实现特征选择和假设生成.
主要方法:
- 开发了一种集成式机器学习方法,使用众包智能.
- 实施了用于特征分析的评估指标,和排名得分.
- 利用基于Web的交互平台来实现用户的可访问性.
主要成果:
- 在多样化,生物复杂的数据集中,PerSEveML成功预测了罕见事件.
- 该工具通过将特征组织成已选,未选和波动类别来生成有效的假设.
- 证明了PerSEveML在理解ML方法贡献方面的实用性.
结论:
- PerSEveML提供了一种新的生物信息学解决方案,用于分析具有罕见事件的高维奥米克数据.
- 该工具有助于从复杂的数据集中生成假设和进行生物发现.
- 在生物学中,PerSEveML提高了机器学习应用程序的可解释性.
