使用多尺度高斯连接积分的结节数据分析
Li Shen1, Hongsong Feng1, Fengling Li2
1Department of Mathematics, Michigan State University, East Lansing, MI 48824.
概括
节点数据分析 (KDA) 引入了拓数据分析的多层次方法,为实际应用增强了节点理论. 这种方法在与机器学习集成时,可显著提高复杂生物数据集的性能.
科学领域:
- 数据科学数据科学数据科学
- 应用数学 应用数学 应用数学
- 计算生物学 计算生物学
背景情况:
- 拓数据分析 (TDA) 是数据科学中的一个强大的方法,但节点理论的应用由于缺乏本地化和量化而受到限制.
- 现有的方法难以有效地捕捉全球拓属性和本地数据结构.
研究的目的:
- 通过引入节点数据分析 (KDA) 来解决传统TDA在实际应用中的局限性.
- 为分析复杂数据集开发一个多尺度的几何拓方法.
主要方法:
- 引入了节点数据分析 (KDA),将曲线细分和多尺度分析集成到高斯链接积分中.
- 开发了多尺度高斯连接积分 (mGLI) 来恢复全球拓性质并捕捉局部结构.
- 集成的mGLI与机器学习和深度学习模型.
主要成果:
- 多尺度高斯连接积分 (mGLI) 在适当的尺度上有效地恢复全球节点属性和本地数据连接.
- 在13个复杂的生物数据集上,KDA,特别是与深度学习相结合时,显著超过了最先进的方法.
- 在蛋白质灵活性分析,蛋白质-连接体相互作用,离子通道阻塞查和毒性评估方面表现出卓越的性能.
结论:
- 节点数据分析 (KDA) 为将节点理论应用于复杂数据提供了一个强大的框架,克服了以前的局限性.
- 多尺度高斯连接积分 (mGLI) 为多尺度几何拓分析提供了一种新的方法.
- KDA在"结节深度学习"领域开辟了新的研究前沿,对数据科学和计算生物学产生了广泛的影响.
