利用AutoML优化数据集选择,以改善乳腺癌变体的病原性预测

科学领域:

• 基因组医学是基因组医学.
• 计算生物学 计算生物学
• 机器学习在瘤学中

背景情况:

• 乳腺癌 (BC) 是全球癌症死亡的主要原因,受遗传和环境因素的影响.
• 准确预测遗传变异的致病性对于早期检测,风险分层和BC的个性化治疗至关重要.
• 当前的计算工具往往缺乏疾病特异性和变种分类的概括性.

研究的目的:

• 为了对不同自动机器学习 (AutoML) 框架 (TPOT,H2O AutoML,MLJAR) 的性能进行比较,用于乳腺癌变体致病性预测.
• 评估数据集组成对病原性预测模型准确性的影响.
• 为了确定可靠的BC特定变异分类的最佳数据集.

主要方法:

• 使用三个AutoML框架对四个不同的变体数据集进行系统的比较.
• 基于数据集组成的分类性能评估.
• 应用可解释性技术 (SHAP,换重要性,LIME) 来验证模型的透明度和生物相关性.

主要成果:

• 结合癌症特异性和非癌症数据的精选数据集 (Dataset-2) 始终在所有测试的AutoML框架中产生了最高的预测性能.
• 在最佳数据集上,H2O AutoML 实现了 99.99% 的峰值精度,TPOT 和 MLJAR 也表现出强大的性能.
• 特性重要性分析强调了保护得分和病原性指标作为关键预测指标,在各框架之间有很强的共识.

结论:

• 周到的数据集设计,优先考虑与疾病相关的和精选的数据,对于开发基因组医学中准确的机器学习模型至关重要.
• 开发的AutoML框架为乳腺癌变体的临床优先级提供了一个可扩展和可解释的方法.
• 该框架可用于预测其他遗传疾病的致病性,支持精确诊断和个性化瘤学.