Анализ метаболомики с использованием машинного обучения
Анализ метаболомики с использованием машинного обучения представляет собой интегрированный биоинформатический конвейер, который сочетает нецелевое или целевое профилирование метаболитов — посредством масс-спектрометрии или ЯМР — с алгоритмами машинного обучения с учителем и без учителя для обнаружения биомаркеров, классификации фенотипов и моделирования метаболических состояний. Обрабатывая экстремальную размерность и коллинеарность, присущие метаболомным наборам данных (сотни-тысячи признаков, десятки-сотни образцов), методы машинного обучения, такие как случайные леса, машины опорных векторов и нейронные сети, извлекают биологически интерпретируемые паттерны, которые классическая одномерная статистика обычно пропускает.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Liebal, U. W., Phan, A. N. T., Sudhakar, M., Raman, K., & Blank, L. M. (2020). Machine learning applications for mass spectrometry-based metabolomics. Metabolites, 10(6), 243. DOI: 10.3390/metabo10060243 ↗
- Bylesjö, M., Rantalainen, M., Cloarec, O., Nicholson, J. K., Holmes, E., & Trygg, J. (2006). OPLS discriminant analysis: combining the strengths of PLS-DA and SIMCA classification. Journal of Chemometrics, 20(8-10), 341-351. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Machine Learning-Assisted Metabolomics Analysis. ScholarGate. https://scholargate.app/ru/bioinformatics/machine-learning-assisted-metabolomics-analysis
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Случайный лесМашинное обучение↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →