机器学习模型用于癌症研究:大量RNA-Seq应用的叙述性审查

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
• 在瘤学瘤学.

背景情况:

• 高通量测序数据,特别是大量RNA-seq,对于识别与癌症相关的基因表达模式至关重要.
• 机器学习 (ML) 算法高效地处理高维RNA-seq数据,以构建诊断和预后模型.
• ML和RNA-seq的整合对推进分子医学和瘤学中的生物发现具有重大前景.

研究的目的:

• 在瘤学中提供基于大量RNA-seq的机器学习模型的全面概述.
• 为开发这些模型提供关于工作流程,算法选择和研究设计的实际指导.
• 讨论散装RNA-seq解卷作为分析瘤细胞性的单细胞RNA-seq的替代方案.

主要方法:

• 关于瘤学中的大量RNA-seq和ML现有文献的叙述性综述.
• 描述一个完整的工作流程,从数据预处理到模型验证.
• 讨论从大量RNA-seq数据中估计细胞类型比例的解卷技术.

主要成果:

• 大量RNA-seq与ML相结合,为癌症研究提供了具有成本效益的方法.
• 提供了对算法选择和研究设计的实际建议.
• 解方法为评估瘤组成提供了单细胞RNA-seq的可行替代方案.

结论:

• 大量RNA-seq和ML之间的协同作用有助于在瘤学中开发可复制的诊断和预后模型.
• 这些模型具有显著的翻译潜力,可以改善患者的治疗结果.
• 本综述是进入该领域的研究人员的实用指南.