DPAS:通过一类学习来识别致病的疾病相关异常评分

科学领域:

• 生物信息学和计算生物学
• 类分析和疾病关联.
• 在生物数据分析中的机器学习.

背景情况:

• 预测与疾病相关的是至关重要的,但由于不可靠的负数据集而具有挑战性,导致有偏见的模型.
• 传统的二进制分类方法在分析中与不平衡或不完整的负数据作斗争.
• 开发强大的方法来识别与疾病相关的对于生物标志物发现至关重要.

研究的目的:

• 建议和评估一种一类分类方法,用于仅使用正标数据预测与疾病相关的.
• 为了比较一类支持向量机 (OCSVM),隔离森林和自动编码器的性能.
• 引入一种新的评分指标,疾病异常评分 (DPAS),以提高可解释性和优先级.

主要方法:

• 采用一类分类框架,专注于积极标记的与疾病相关的数据.
• 实现并比较了三个机器学习分类器:OCSVM,隔离森林和自动编码器.
• 集成的基于序列的功能和用于自动编码器评估的平均重建错误.
• 通过将模型异常得分与SHAP特征重要性结合起来,开发了疾病异常得分 (DPAS).

主要成果:

• 与OCSVM和隔离森林相比,自编码器在分类与疾病相关的上表现优异.
• 自动编码器模型有效地将内置值 (疾病相关) 与异常值区分开来,使用平均重建错误.
• 拟议的DPAS指标成功地将异常检测与特征解释性相结合,用于排名.

结论:

• 一类分类方法为预测疾病相关的传统二进制方法提供了一种高效和强大的替代方案.
• 自动编码器对识别与疾病相关的具有显著的希望,特别是当负数据集稀缺或不可靠时.
• 该DPAS指标提供了一个可解释和有效的工具,用于在疾病研究中优先考虑潜在的生物标志物.