图形机器学习用于集成的多omics分析
Nektarios A Valous1,2, Ferdinand Popp3,4, Inka Zörnig5,6
1Applied Tumor Immunity Clinical Cooperation Unit, National Center for Tumor Diseases (NCT), German Cancer Research Center (DKFZ), Im Neuenheimer Feld 460, 69120, Heidelberg, Germany. nek.valous@nct-heidelberg.de.
British journal of cancer
|May 10, 2024
概括
图形机器学习为整合多omics数据提供了一种强大的方法,揭示了复杂的生物关系,以改善疾病预测和生物医学研究中的机械洞察力.
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
- 系统生物学 系统生物学
背景情况:
- 多omics实验产生复杂的数据集用于生物标志物发现和机械洞察力.
- 整合多样化的OMIC数据对于理解生物过程和预测结果至关重要.
- 现有的数据集成方法在建模复杂关系方面面临挑战.
研究的目的:
- 审查图形机器学习在综合多omics数据分析中的应用.
- 为了突出不同质的图形表示对omics数据的优点.
- 为了证明基于图形的方法对生物医学研究的有效性.
主要方法:
- 用图形机器学习进行多omics集成的研究文章的文献综述.
- 专注于异质图表表示和图形神经网络.
- 分析示例,展示基于图表的工作流的实用性.
主要成果:
- 基于图形的方法,特别是图形神经网络,为多学科数据集成提供了强大的框架.
- 异质图有效地模拟了奥米克数据集内部和之间复杂的关系.
- 图形机器学习促进了假设生成和机械理解.
结论:
- 图形机器学习为科学家和临床医生提供了有价值的方法论工具集.
- 使用基于图表的工作流程的综合多学科分析增强了预测和探索能力.
- 这种方法为生物医学研究中分析复杂的生物数据提供了切实的替代方案.
