用于推断癌症进展模型的高效搜索方案的并行实现
机器学习
2017-03-10 v1 机器学习
摘要
癌症的出现与发展是特定基因组随时间积累突变的结果，这为癌症克隆提供了功能性选择优势。在本工作中，我们利用概率图模型，即贝叶斯网络（Bayesian Networks, BNs），对疾病进展过程中最终导致疾病的此类突变的积累顺序进行建模。我们采用全局优化元启发式算法，研究如何根据实验证据来学习此类 BNs 的结构。具体而言，本工作依赖于遗传算法，并且为了大幅减少推断的执行时间——这可能涉及多次重复以收集具有统计显著性的数据评估——我们使用多线程和多节点架构来分布式计算。结果表明，我们的方法具有良好的准确性和特异性；我们还证明了其可行性，与传统串行实现相比，总体执行时间减少了 84 倍。
引用
@article{arxiv.1703.03038,
title = {Parallel Implementation of Efficient Search Schemes for the Inference of Cancer Progression Models},
author = {Daniele Ramazzotti and Marco S. Nobile and Paolo Cazzaniga and Giancarlo Mauri and Marco Antoniotti},
journal= {arXiv preprint arXiv:1703.03038},
year = {2017}
}