相关实验视频
Updated: Jan 10, 2026
14:18
A Strategy for Sensitive, Large Scale Quantitative Metabolomics
Published on: May 27, 2014
21.6K
一种基于多数投票和SHAP的稳定特征选择方法,用于高维代谢学数据
Zixuan Liu1, Jianqiang Du2, Jigen Luo3
1School of Intelligent Medicine and Information Engineering, Jiangxi University of Chinese Medicine, Nanchang 330004, China.
Computer methods and programs in biomedicine
|November 25, 2025
概括
本研究引入了一种新的特征选择框架,MVFS-SHAP,以提高代谢学数据分析的稳定性和准确性. 该方法增强了复杂疾病的生物标志物发现.
科学领域:
- 代谢学 代谢学 代谢学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 代谢学使得疾病研究的大规模代谢物测量成为可能.
- 高维,小样本代谢学数据需要强大的特征选择.
- 目前的方法缺乏稳定性,影响特征的一致性.
研究的目的:
- 开发一个稳定和准确的特征选择框架,用于代谢学.
- 提高复杂疾病生物标志物查的可靠性.
主要方法:
- 拟议的MVFS-SHAP框架整合了多数投票和SHAP价值.
- 利用交叉验证和引导抽样来实现强大的特征子集生成.
- 使用回归和线性SHAP进行特征重新排名和选择.
- 使用扩展的Kuncheva指数评估稳定性,并通过PLS回归来预测性能.
主要成果:
- 与现有方法相比,MVFS-SHAP表现出优越的稳定性和预测准确性.
- 在Exo和Endo数据集上实现了高稳定性 (0.90+),80%的结果>0.80.
- 即使在具有挑战性的数据集上也保持了稳定性 (0.50-0.75).
- 在各种预测模型 (Lasso,随机森林,XGBoost) 中减少了RMSE值.
结论:
- MVFS-SHAP为代谢学中的特征选择提供了稳定有效的解决方案.
- 框架在处理杂,复杂的数据方面表现出稳健性,可用于可靠的生物标志物选择.
- 未来的工作包括提高适应能力,并应用于精准医学和TCM研究.
