转换多个omics数据成图像用于疾病分类:技术和工具的审查
Ali Alyatimi1,2, Muhammad Atif Iqbal1, Vera Chung1
1Faculty of Engineering, School of Computer Science, The University of Sydney, Sydney, NSW 2008, Australia.
Journal of pathology informatics
|February 16, 2026
概括
将多omics数据转换为图像有助于疾病分类和生物标志物发现的深度学习. 这种方法对精准医学有希望,尽管存在普遍性和解释性方面的挑战.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 机器学习在医学中的应用
背景情况:
- 多学科数据集成对于理解复杂的生物系统和疾病至关重要.
- 多学科数据的高维度和异质性带来了重大的分析挑战.
- 先进的深度学习技术提供了潜在的解决方案,但需要合适的数据格式.
研究的目的:
- 审查将多omics非图像数据转换为图像格式的方法.
- 探索这些基于图像的多omics数据在疾病分类和生物标志物发现的深度学习中的应用.
- 评估这种新兴方法的有效性和局限性.
主要方法:
- 对2013-2024年研究的范围审查.
- 检查数据转换技术 (t-SNE,内核PCA,UMAP,FT,treemaps) 的使用情况.
- 深度学习模型 (CNN,自动编码器,SVM,GCN,GNN) 的分析.
主要成果:
- 数据转换使得有效的特征提取和分类,准确度从75%到99%.
- 卷积神经网络 (CNN) 在整合复杂的分子相互作用方面表现出卓越的表现.
- 挑战包括过度匹配,有限的概括性和可解释性问题.
结论:
- 将多omics数据转化为图像是生物医学研究和精准医学的一个有希望的策略.
- 这种方法增强了对疾病机制的洞察力,并改善了预测建模.
- 未来的工作应侧重于可解释性,可靠的转换方法和多样化的数据集.
