一种机器学习方法,利用电子健康记录进行增强的OMIC分析

科学领域:

• 计算生物学和生物信息学
• 医疗保健中的机器学习
• 系统生物学 系统生物学

背景情况:

• 奥米克研究产生了大量的数据,这些数据对于系统级生物模型至关重要.
• 对于这些模型来说,需要大量的队列,但通常会受到临床和预算限制的限制.
• 现有的多式联机机器学习方法在有效整合多种数据源方面面临局限性.

研究的目的:

• 引入一种新的机器学习框架,即COMET (通过转移学习增强的临床和Omics多模式分析).
• 利用大型电子健康记录 (EHR) 数据库和转移学习来增强对小型数据集的分析.
• 克服当前多式联机机器学习方法在欧米克研究中的局限性.

主要方法:

• 开发了COMET,这是一个框架,将EHR数据与使用转移学习的omics数据集成在一起.
• 员工在电子健康记录数据方面的预培训和早期和晚期融合策略的自适应混合.
• 通过使用两个独立的数据集进行预测建模和生物发现来验证COMET.

主要成果:

• 与传统的OMIC数据分析方法相比,COMET显著提高了预测建模性能.
• 该框架从有限的欧米克数据集中增强了生物发现.
• 在二元病例/对照区别之外,COMET使得更精确的患者分类成为可能.

结论:

• 在生物研究中,COMET有效地整合了多模式数据 (EHR和omics),以克服队列大小的限制.
• 该框架提供了一种强大的方法,可以从较小的数据集中提取更深层次的生物学见解.
• 对于多式联络体分析来说,COMET具有广泛的适用性,促进了患者分层和生物理解.