内部维度分析用于指导在多omics数据处理中的维度缩减和数据融合
Jessica Gliozzo1, Mauricio Soto-Gomez2, Valentina Guarino2
1AnacletoLab, Computer Science Department, Università degli Studi di Milano, Milan, Italy; European Commission, Joint Research Centre (JRC), Ispra, Italy.
Artificial intelligence in medicine
|December 14, 2024
概括
本研究引入了一种用于多omics数据分析的新管道,通过针对单个omics数据类型量身定制策略来改善维度减少. 这提高了生物医学研究和疾病机制理解的可靠性.
科学领域:
- 生物医学研究生物医学研究
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 多omics数据提供了全面的生物学见解,但也带来了分析挑战.
- 高维度和有限的样本大小需要有效的数据缩小和整合.
- 现有的方法往往忽略了个别omics数据的独特挑战.
研究的目的:
- 开发一个新的多模体维度减少管道,用于多omics数据.
- 为了解决不同领域均缩小维度的局限性.
- 提高多omics数据分析的可靠性和准确性.
主要方法:
- 使用内在维度估计器来评估维度诅咒的影响.
- 提出了两步减少策略,将特征选择和受影响视图的提取相结合.
- 探索了三个无监督的多omics数据融合方法.
主要成果:
- 新型管道显示了与传统的统一减少方法相比的显著改进.
- 量身定制的方法增强了监督的多主题分析.
- 了解了无监督聚变方法的性能.
结论:
- 一个新的,视图特定的维度减少管道显著改善了多omics数据分析.
- 这种方法为了解生物系统和疾病机制提供了更强大的框架.
- 在关键环境中进一步探索无监督聚变方法是有必要的.
