改善过敏学中的机器学习发展:弥合开放式访问和基于队列的数据库之间的差距

科学领域:

• 过敏研究研究 过敏研究
• 计算生物学是一种计算生物学.
• 数据科学是数据科学.

背景情况:

• 高通量数据生成和人工智能正在改变过敏研究.
• 开放式访问数据库 (OAD) 和基于队列的数据库 (CBD) 对机器学习 (ML) 应用至关重要.
• 对过敏学家来说,了解数据库的优势和局限性是必不可少的.

研究的目的:

• 在过敏研究中审查最近发表的数据库.
• 专注于将OAD和CBD结合起来,以增强ML驱动的研究.
• 为过敏学家提供有关利用这些资源的见解.

主要方法:

• 对最近出版的数据库进行文献综述.
• 对OAD和CBD的特征,优势和局限性的分析.
• 探索将不同类型的数据库结合在一起的策略.

主要成果:

• OAD提供了规模和多样性,但往往缺乏临床注释和结果联系.
• CBD提供了很好的表型患者和纵向数据,但有大小和多样性的限制.
• 整合OAD和CBD可以提高预测性能;联合学习可以实现保护隐私的协作.

结论:

• 过敏学家对于创建ML准备的过敏研究资源至关重要.
• 严格的临床注释,数据标准化和验证至关重要.
• 将OAD和CBD结合起来,加速了准确过敏医学的进展.