转移学习用于加快失效时间模型与微阵列数据
Yan-Bo Pei1, Zheng-Yang Yu1, Jun-Shan Shen2
1School of Statistics, Capital University of Economics and Business, Beijing, China.
BMC bioinformatics
|March 18, 2025
概括
转移学习通过利用外部数据在有限样本的预后研究中改善基因识别. 这种方法提高了更好的疾病风险评估的准确性和稳定性.
科学领域:
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
- 统计建模 统计建模
背景情况:
- 微阵列研究旨在识别与疾病进展相关的基因.
- 在罕见疾病中,有限的样本大小阻碍了精确的基因选择和风险评估.
- 利用外部数据 (来源群体) 对于改进目标群体分析至关重要.
研究的目的:
- 为加速失效时间 (AFT) 模型开发转移学习方法.
- 提高基因选择和风险预测的目标队列使用来自源队列的信息.
- 为了应对有限的样本大小和队列异质性所带来的挑战.
主要方法:
- 为AFT模型提出了一个转移学习方法.
- 雇员从源队列借用适应性信息,以改善目标队列的适应性.
- 利用Leave-One-Out交叉验证来评估基因稳定性和预测能力.
主要成果:
- 与没有外部数据的方法相比,转移学习方法准确地识别了关键基因,估计误差减少.
- 该方法在处理跨队列异质性方面表现出稳健性.
- 对GSE88770和GSE25055数据的分析显示,基因选择稳定,风险预测令人满意.
结论:
- 提议的转移学习方法有效地改善了基因识别和风险预测在微阵列研究有限的样本.
- 它为分析异质队列数据提供了一个强大的解决方案.
- 该方法为推进基因组学预后研究提供了有价值的工具.
