用于生物与医学数据整合的机器学习：原理、实践与机遇
定量方法
2018-10-22 v2 计算工程、金融与科学
机器学习
机器学习
摘要
新技术使得以空前规模和多维度研究生物学与人类健康成为可能。这些维度包括描述基因组、表观基因组、转录组、微生物组、表型和生活方式的无数属性。然而，单一数据类型无法捕捉与理解诸如疾病等现象相关的所有因素的复杂性。因此，结合多种技术数据的整合方法已成为关键的统计与计算方法。开发此类方法的关键挑战在于确定有效的模型以提供全面且相关的系统视图。理想的方法能够通过利用跨多个生物变异维度的异质数据，回答生物或医学问题、识别重要特征并预测结果。在本综述中，我们描述数据整合的原理并讨论当前方法与可用实现。我们给出生物与医学中成功数据整合的实例。最后，我们讨论生物医学整合方法当前的挑战以及对该领域未来发展的展望。
引用
@article{arxiv.1807.00123,
title = {Machine Learning for Integrating Data in Biology and Medicine: Principles, Practice, and Opportunities},
author = {Marinka Zitnik and Francis Nguyen and Bo Wang and Jure Leskovec and Anna Goldenberg and Michael M. Hoffman},
journal= {arXiv preprint arXiv:1807.00123},
year = {2018}
}