SysML:适应性推系统用于异质生物医学数据预处理和建模工作流程

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 生物医学中高维的奥米克数据需要强大的计算框架.
• 目前用于选择分析工作流的试错方法降低了效率和可重复性.
• 需要对算法和预处理技术进行系统的基准测试.

研究的目的:

• 系统地对算法预处理组合进行基准测试,以应对常见的生物医学数据挑战.
• 为了确定最佳的机器学习工作流程小样本大小,缺失的值,和类不平衡.
• 为生物医学研究开发一个数据适应性工作流推平台.

主要方法:

• 基准测试数百种算法预处理组合.
• 在具有小样本大小,缺失值和类不平衡的数据集中评估性能.
• 开发和验证SysML基于网络的平台,用于工作流建议.

主要成果:

• 基于树的模型 (渐变增强决策树,XGBoost,随机森林) 在小样本和缺失数据方面表现出色.
• 部分最小平方区分分析 (PLS-DA) 对不平衡的类有效.
• K-means 和 DBSCAN 具有强大的中度缺失率 (<10%),但性能随着缺失率的增加而下降.
• 在现实世界生物医学数据集上,SysML证明了改进的模型性能和工作流效率.

结论:

• 适应性数据预处理对于生物医学中可靠和可重复的机器学习至关重要.
• 仅仅选择算法是不够的;数据特征决定了最佳的工作流选择.
• SysML平台支持用于生物医学数据分析的数据驱动决策.