大型基因组样本的大规模分类:对经典机器学习技术的比较分析与一种新的大脑启发的超维计算方法
Jayadev Joshi1, Fabio Cumbo1, Daniel Blankenberg1,2
1Center for Computational Life Sciences, Lerner Research Institute, Cleveland Clinic, Cleveland, OH, USA.
bioRxiv : the preprint server for biology
|July 17, 2025
概括
超维计算 (HDC) 为分析高维生物数据提供了一个强大的替代方案. 这种由大脑启发的方法在元基因组样本分类中实现了与经典机器学习方法相比或更高的准确性.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 经典机器学习与高维度生物数据作斗争,影响准确性.
- 生物数据集的高维度带来了重大的分析挑战.
研究的目的:
- 评估超维计算 (HDC) 作为生物信息学监督机器学习方法.
- 使用元基因组分类任务将HDC性能与已建立的方法进行比较.
主要方法:
- 对HDC和经典机器学习技术进行比较分析.
- 使用定量微生物概况对异质元基因组样本进行监督分类.
- 利用公开可用的微生物组数据集进行验证.
主要成果:
- HDC的分类准确度与经典方法相比相当或更高.
- HDC显示了使用大规模数据集提高计算效率的潜力.
- 使用HDC进行的甲基因组样本分类产生了有希望的结果.
结论:
- HDC是生物信息学的一个有前途的工具,特别是在高维数据方面.
- 在性能方面,HDC可以补充或超越已有的机器学习技术.
- 提供了一个Galaxy-powered工具集,可方便采用HDC方法.
相关概念视频
01:26Classification of Systems-I
314
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
314
01:31Classification of Systems-II
242
Continuous-time systems have continuous input and output signals, with time measured continuously. These systems are generally defined by differential or algebraic equations. For instance, in an RC circuit, the relationship between input and output voltage is expressed through a differential equation derived from Ohm's law and the capacitor relation,
242