高性能数据集成用于使用批量效应减少树 (BERT) 大规模分析不完整的Omic配置文件.

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
• 数据科学数据科学数据科学

背景情况:

• 高通量欧米数据经常含有缺失的值和批量效应,阻碍了定量分析和数据集集成.
• 现有的方法与不完整的欧米特征作斗争,限制了综合分析的范围.

研究的目的:

• 介绍批量效应减少树 (BERT),这是一个新的高性能方法,用于整合不完整的数据.
• 解决当前数据集成技术对omics和其他数据类型的局限性.

主要方法:

• 开发了BERT,该方法旨在高效地整合具有缺失值的omic配置文件的数据.
• 在涉及多达5000个数据集的大规模集成任务上,在各种omic类型 (蛋白质组学,转录组学,代谢组学) 和数据类型 (临床数据) 中进行了特征BERT.
• 利用多核和分布式内存系统提高计算效率.

主要成果:

• 与现有方法相比,BERT保留了更多的数值.
• 通过利用并行处理能力,实现了11倍的运行时间改进.
• 通过考虑共变量和参考测量,提高了数据整合质量,平均轮宽度增加了多达2倍.

结论:

• 伯特提供了一个强大而可扩展的解决方案,用于整合不完整的数据集,提高定量可比性.
• 该方法在各种omic类型和其他数据模式中显示了广泛的适用性.
• 在数据保留,运行时间和集成质量方面,BERT显著优于现有方法.