使用半自动化方法指导优化ToxPi模型重量

科学领域:

• 毒理学和计算生物学
• 数据科学和统计建模.

背景情况:

• 毒理学优先级指数 (ToxPi) 是一种用于可视化和分析复杂,高维的毒理学数据的工具.
• ToxPi将数据合成加权配置文件,以评估化学毒性和其他样本实体,但依赖于用户定义的特征权重.
• 目前用于预测特征权重的方法通常在统计上有缺陷,缺乏全球分布期望.

研究的目的:

• 开发和评估一种新的半监督方法,用于预测ToxPi模型中的特征权重.
• 通过利用参考样本的固有知识来应对用户定义特征权重的挑战.
• 提高基于ToxPi的样本排名和化学物质优先级的准确性.

主要方法:

• 一种半监督的方法,将顺序回归与定制的遗传算法相结合,以预测特征重量.
• 顺序回归用于根据参考样本的已知响应水平来预测权重.
• 一个遗传算法微调这些重量以获得最佳模型性能.

主要成果:

• 模拟研究表明,拟议的方法可以改进用于特征重量预测的标准顺序回归.
• 该方法允许准确的样本排名,即使使用有限的参考数据.
• 根据已公布的数据进行测试,验证了该方法与专家分配的权重相对应.

结论:

• 开发的半监督方法提供了一个强大的方法来确定ToxPi.Pi的特征权重.
• 该技术提高了用于化学评估和其他分析应用的ToxPi模型的可靠性和准确性.
• 该方法为权重分配提供了数据驱动的解决方案,减少了对主观专家输入的依赖.