知识倾斜的随机森林方法用于高维数据和小样本大小,用于基因表达数据的特征选择应用程序

科学领域:

• 计算生物学 计算生物学
• 机器学习 机器学习
• 基因组学就是基因组学.

背景情况:

• 高维基遗传和基因组学数据带来了诸如维度诅咒之类的挑战.
• 传统的随机森林 (RF) 模型在高维设置中可能表现出不高的准确性,特别是在有限的样本大小的情况下.
• 整合先前的生物知识是提高机器学习模型性能的一个有希望的策略.

研究的目的:

• 提出一种新的知识倾斜的随机森林 (RF) 模型.
• 提高基因选择在高维基因组学数据中的性能和可解释性.
• 在采用小样本大小的场景中解决传统射频的局限性.

主要方法:

• 知识倾向的RF集成生物网络 (例如,蛋白质-蛋白质相互作用网络) 作为先前知识.
• 一个随机步行与重启算法确定基因相关性基于网络拓.
• 基因相关性得分修改了RF算法的特征选择概率,并通过修改的Boruta算法进行了增强.

主要成果:

• 与传统的RF和在模拟数据集上的物流拉索回归相比,知识倾斜的RF在结果预测中表现出更好的精度.
• 该方法有效地识别了更多具有生物相关性的基因.
• 与标准RF方法相比,观察到更好的解释性.

结论:

• 知识倾向的RF提供了一种强大的方法来处理高维基因组学数据,克服维度的诅咒.
• 整合先前的生物网络知识显著提高了模型的性能和可解释性.
• 这种方法在复杂疾病中识别相关基因方面显示出前景,正如 calcific主动脉狭窄症的案例研究中验证的那样.