从微生物组数据对癌症特征进行机器学习方法的审查
Marco Teixeira1,2, Francisco Silva3,4, Rui M Ferreira5,6
1Institute for Systems and Computer Engineering, Technology and Science, Porto, Portugal. marco.a.teixeira@inesctec.pt.
NPJ precision oncology
|May 30, 2024
概括
机器学习 (ML) 可以分析复杂的微生物组数据用于癌症特征. 提高ML模型的通用性是癌症研究中临床应用的关键.
科学领域:
- 微生物组研究的研究.
- 计算生物学是一种计算生物学.
- 在瘤学瘤学.
背景情况:
- 人类微生物组影响癌症的发展,进展和治疗反应.
- 基于微生物组的癌症表征有可能成为新的诊断和预后工具.
- 复杂的微生物签名需要先进的计算方法,如机器学习 (ML).
研究的目的:
- 通过微生物组数据审查用于癌症表征的ML方法.
- 突出采样,特征选择和数据预处理中的关键考虑因素.
- 为了指导ML模型的选择,验证,并解决临床翻译目前的局限性.
主要方法:
- 对基于微生物组的癌症研究中ML应用的现有文献的审查.
- 讨论数据预处理技术及其对ML模型性能的影响.
- 分析ML模型选择标准,验证策略和常见的陷.
主要成果:
- 机器学习方法,特别是随机森林,显示出希望,但往往缺乏临床使用的通用性.
- 跨研究的相互矛盾的结果经常归因于模型的概括性差.
- 目前的方法需要改进,以克服局限性并实现可靠的临床应用.
结论:
- 提高ML模型的概括性对于将微生物组数据整合到临床癌症护理中至关重要.
- 未来的方向包括使用更大的数据集,先进的深度学习和微生物组特定的ML模型.
- 处理技术文物和探索非分类学数据表示将改善模型性能.
