在药物遗传学中使用和评估GAN用于合成数据生成

科学领域:

• 计算生物学 计算生物学
• 遗传学 是一个遗传学.
• 机器学习 机器学习

背景情况:

• 药物遗传学 (PGx) 研究需要大量现实世界的数据来构建准确的预测模型.
• 由于劳动强度和潜在的数据稀缺性,收集足够的PGx数据具有挑战性.
• 合成数据生成 (SDG) 为增加有限数据集提供了一个可行的解决方案.

研究的目的:

• 评估两个生成对抗网络 (GAN) 模型CTGAN和CTAB-GAN+在生成合成PGx数据中的有效性.
• 与原始数据集对比合成PGx数据的实用性和预测性能.
• 评估SDG在克服药物遗传学研究数据限制方面的潜力.

主要方法:

• 两个GAN模型,CTGAN和CTAB-GAN+,用于合成PGx数据生成.
• 使用实用指标评估性能:黑林格距离和随机森林准确性.
• -识别度指标也用于基准测试.

主要成果:

• 与原始数据集相比,由CTAB-GAN+生成的合成数据显示出更高的实用性.
• CTAB-GAN+实现了更高的随机森林准确性,这表明预测性能得到了提高.
• 生成的合成数据有效地捕获了基本模式,同时改善了模型的概括性.

结论:

• 合成数据生成,特别是CTAB-GAN+,是药物遗传学研究的一个有前途的方法.
• 可持续发展目标可以有效地解决数据稀缺和不平衡问题,从而导致更强大的机器学习模型.
• 合成数据的增强实用性表明它有可能改善药物疗效和耐受性预测.