特征选择策略:为检测乳腺癌生物标志物寻找新出口

数据为什么要进行log2转化,倍数变化(fold change)为什么要求个log2FC? 今天是2022年10月24日,首先祝所有程序员们(会写、会看代码的都算)节日快乐! 1024是2的十次方,二进制计数的基本计量单位之一。做生信分析的小伙伴就像是一个个1024,用最低调、最踏实、最核心的功能模块将计算机程序应用到生命科学中,促进科学发展。1G=1024M,而1G与1级谐音,做生信分析的小伙伴都是一级棒的! 阅读详情
内容一览:microRNA(小分子核糖核酸)是一类短小的单链非编码 RNA 转录体。这些分子在多种恶性肿瘤中呈现失控性生长,因此近年来被诸多研究确定为确诊癌症的可靠的生物标志物 (biomarker)。在多种病理分析中,差异表达分析 (Differential Expression Analysis) 常被视为检测关键生物标志物的有效方法,而来自意大利那不勒斯费德里科二世大学的研究人员,则提出基于机器学习的特征选择 (Feature Selection) 策略能够更为有效的检测,并建议将其发现的 20 种 microRNA 作为乳腺癌诊断性生物标志物。
关键词:特征选择 microRNA 乳腺癌

本文首发自 HyperAI 超神经微信公众平台~

根据国家卫健委发布的 2022 年版《乳腺癌治疗指南》,乳腺癌是女性常见的恶性肿瘤之一,发病率高居女性恶性肿瘤之首。世界卫生组织统计,2020 年,全球共有 230 万女性被诊断为乳腺癌,随着治疗手段的不断提高,早期乳腺癌五年生存率可达到 90% 甚至更高。因此,乳腺癌早期的准确诊断尤为重要。

microRNA 除了在生物方面具备诸多关键作用,其表达上的改变也与多种癌症相关,因此可作为可靠的诊断性生物标志物(putative diagnostic biomarker)。来自意大利那不勒斯费德里科二世大学的研究人员基于机器学习,利用特征选择策略,通过分析 3 种方法的稳定性和分类性能,得到了一组乳腺癌特定诊断生物标志物,同时还发现了乳腺癌疾病发展和演变中的推定关键基因。

目前,这一研究成果发表在《第 18 届生物信息学与生物统计学计算智能方法会议论文集(CIBB 2023)》上,标题为《Robust Feature Selection strategy detects a panel of microRNAs as putative diagnostic biomarkers in Breast Cancer》。

该研究成果已发表在 CIBB 2023 上

论文地址:

https://www.researchgate.net/publication/372083934

实验概述

在本研究中,科研人员发现借助 3 种特征选择方法(增益率、随机森林及支持向量机递归特征消除),可以更加高效地提取诊断分子组合,他们揭示了一个包含 20 个 microRNA 的组合 (panel),其中 hsa-mir-337、hsa-mir-378c 以及 hsa-mir-483 在目前的乳腺癌诊断生物标志物中,暂未受到医学界的广泛关注。该方法能够区分健康及肿瘤样本,与常用的差异表达法相比,其分类性能更佳,更容易识别易被低估甚至忽略的特征。

图 1: Pipeline 概述

Workflow 包含 4 个关键步骤:

(i) 在训练 TCGA 子集上进行 Ensemble-FS 计算

(ii) 对 TCGA/GEO 数据集进行差异表达分析

(iii) 比较差异表达分析和特征选择结果的分类性能,并评估特征选择方法的稳定性

(iv) 用计算机模拟验证所选 signature 的前 20 种 microRNA,对枢纽基因靶点进行检测。

实验详情

数据集

实验数据来源包含两个渠道:美国 GDC 官网的 TCGA-BRCA 项目以及 Gene Expression Omnibus (GEO) data repository (GSE97811)。

实验团队从 GDC TCGA-BRCA 项目中,合计收集了 1,881 个 microRNA-Seq 数据,并按照 8:2 的比例,分成了训练集和测试集两部分。这些数据与 300 个实体原发肿瘤样本 (T) 以及 101 个正常相邻肿瘤 (NAT) 样本相关,都属于导管及小叶乳腺组织。应用特征选择法之前,这些数据都进行了方差稳定归一化处理 (variance stabilizing normalization)。

同时,科研人员从 GEO 数据库 (GSE97811) 下载了一个包含 2,565 个 microRNA 的微阵列数据集 (microarray dataset),作为本次实验的验证集。该数据集包括 16 个正常样本及 45 个肿瘤样本,然后进行数据插补 (data imputation)。

由于 GEO 数据(本实验中的验证集)涉及到的是成熟 microRNA 表达,TCGA 数据(本实验中的训练集和测试集)则包含早期形态 (precursor form),为了统一数据,科研人员在 GEO 数据样本中只选择了平均计数值高于其对立链 (opposite strand) 的可替代成熟 microRNA;同时, microRNA 的名称也已经转换成了相应的早期形态名称。

通过这一过程后,GEO 数据(验证集)的维度减少至 1,361 个 microRNA,相应的 TCGA RNA-Seq 数据也被收集,共包括 20,404 种基因。

1. 特征选择法及 Ensemble 程序应用

科研人员选择了 3 种特征选择方法与差异表达分析法进行比较,分别是 Gain Ratio(增益率)、Random Forest(随机森林)和 SVM-RFE(支持向量机递归特征消除)。将 3 种方法应用于 microRNA-Seq 表达 TCGA 数据的 500 个子集上,以识别能区分正常样本和肿瘤样本的稳健特征面板 (panel)。观察到的结果中,按照 8:2 的比例划分为训练集和测试集,然后对数据通过重采样 (resampling) 进行自助法 (bootstrapping) 处理,使其符合数据扰动集成程序 (Data Perturbation Ensemble procedure)。每次计算返回的 500 个按「importance score」降序排列的 microRNA 向量。

|备注:importance score(重要性得分)表示用算法计算得出的每个 feature(特征)在分类中的影响。

importance score 越高,赋予 feature 的 rank 就越低。然后科研人员通过一个聚合程序,推导出每种特征选择方法的共识签名 (consensus signature),最终每组 microRNA 保留得分前 200 名的 feature。

2. 稳定性测试

用 Kuncheva Index (KI) 和 Percentage of Overlapping Gene/Features (POG) 评估特征选择方法的一致性,用 Stot 统计法(KI 的成对测量)确定所有方法之间的稳定性。这些统计数据是在 signature 长度逐渐增加的过程中计算得出的,feature 数量从 2 开始到 200 结束,每次重新计算增加 2 个 unit。

Stot 统计法公式

3. 差异表达分析和 DE-signature

对 TCGA 数据集(含 microRNA-Seq 及 RNA-Seq)进行差异表达分析,从原始计数 (raw count) 开始,使用精确检验 (Exact Test),然后保留 FDR <= 0.01 及 Log2FC 阈值为 |0.5| 的 DE feature。为了获得 DE-microRNA 的 signature,将 Log2FC 值转化为绝对值,并按照 abs (Log2FC) 递减的顺序对 microRNA(保留前 200 个 feature)进行排序。

GEO 验证集借助 Limma 进行差异分析表达,该数据集获取 DE-signature 的参数及程序与 TCGA 数据集一致。

4. 分类性能分析

为了确定每个 signature 区分健康人及癌症患者的能力,科研人员在测试子集 (TCGA) 和验证集 (GEO) 上对 4 个 signature(包括特征选择 panel 和差异表达 panel)都进行了预测性分析。

最后计算出精度平均值 (ACC)、K 统计量 (KK) 以及马修斯相关系数 (MCC) 在各个 fold 以及每个 signature 的多个长度上的平均值。

5.SVM-RFE microRNA-signature 靶点 (target) 检测

为了识别 microRNA 潜在的基因靶点,科研人员进行了以下操作:

1. 将前 20 个 SVM-RFE microRNA 按照其在肿瘤样本中的上调 (up-regulated) 或下调 (down-regulated) 进行分类。

2. 对 RNA-Seq 数据进行差异表达分析,检测差异表达基因 (FDR <= 0.05)。

3. 应用斯皮尔曼相关性分析,对比 microRNA 表达与差异表达基因,只保留与 down-microRNA 负相关的 up-gene,以及 up-microRNA 负相关的 down-gene (rho <= -0.5)。

4. 收集所有经过验证的 microRNA 基因靶点 (gene targets),且只保留那些也显示出 DE-correlated 的。

6. 网络中心性及枢纽基因识别

选定失调基因的相关矩阵 (Spearman),并用其构建一个图结构基因网络:保留 Kleinberg’s hub 中心性得分 > 75,rho > 0.8 或 rho < -0.6 的枢纽基因。对枢纽基因进行基因富集分析 (ORA),以便从 REACTOME 数据库中探索最丰富的 pathway。FDR 调整后 pValue 值阈设定为 0.005。

实验结果

实验表明,应用 3 种特征选择方法后,都返回了 500 个按 importance score 降序排列的 microRNA signature,汇总后得到 3 个共识 panel。值得注意的是,排名前 3 的 microRNA(hsa-mir-139、hsa-mir-96 及 hsa-mir-145)在所有 panel 中都出现了,显示出这些分子在区分肿瘤样本和健康样本中的重要性。

|结论 1:SVM-RFE 稳定性最高

从 KI 和 POG 在共识 panel 上的计算来看,SVM-RFE 法最具稳定性,signature 长度达到 20 个 feature 时最突出。同样,Stot 指数的结果也显示出 SVE-RFE 法具有最高稳定性。

图 2: 3 种特征选择方法的稳定性指数比较

蓝色:Random Forest(随机森林)

粉色:Gain Ratio(增益率)

黄色:SVM-RFE(支持向量机递归特征消除)

|结论 2: SVM-RFE signature 在分类中的表现优于差异表达 signature

所有单独 panel 进行分类性能分析后,无论是测试集 (TCGA) 还是验证集 (GEO),都显示出用 SVM-RFE 获得的 signature 的预测能力最高。

图 3: 前 20 个 microRNA 分类性能及维恩图

A:条形图显示了在测试子集和外部验证 GEO 数据集上计算的平均 statistic

ACC:精度

KK:K 统计量

MCC:马修斯相关系数

绿色:DE(差异表达分析法,该实验中的对照方法)

粉色:GR(增益率)

蓝色:RF(随机森林)

橙色:RFE(SVM-RFE,支持向量机递归特征消除)

B:每个 signature 的前 20 个 microRNA 的维恩图,其中标注了 SVM-RFE panel 前 20 中的一些有趣的 microRNA–hsa-mir-337、hsa-mir-378c 及 hsa-mir-483,这 3 个 micro-RNA 在 3 种特征选择方法中都出现了,但目前关于乳腺癌的研究中尚未完全确定其作为诊断依据是否可靠。

|结论 3: 网络分析揭示了疾病演变中的潜在关键基因

实验表明,CDC25、TPX2 及 KIF18B 在不同类型癌症以及三阴性乳腺癌患者的干细胞中,都显示高度表达,且 TGFBR2 的下调与癌症进展相关。

microRNA:乳腺癌早筛的又一理想候选

传统的乳腺癌筛查方法仍以 X 光成像及组织活检为主,无法对完整的癌症基因组建立更深入全面的理解。这种方法不光侵入性强、成本高,容易产生副作用,还常给出假阳性或假阴性结果,提高乳腺癌的早筛准确度及患者体验,仍需开发新策略来应对乳腺癌负担。

自 1993 年首次发现以来,micorRNA 不断深化了人类对癌症的理解,作为可靠的乳腺癌诊断生物标志物,它展现了巨大潜力。

microRNA 属于长度约 19-25 nt 的小型非编码 RNA,可以调控多种靶点基因 (target gene),参与了多种生物学和病理学过程的调控,包括癌症的形成和发展,有望弥补当下 X 光成像及组织活检作为临床上乳腺癌筛查主流诊断方法的局限性。

然而,目前尚未完全开发出 microRNA 的成熟临床应用,对 microRNA 使用过程中的安全评估体系也还未建立,要想让 microRNA 成为癌症的主流诊断依据,恐怕仍需时日。

参考文章:

[1]https://www.who.int/zh/news-room/fact-sheets/detail/breast-cancer

[2]https://guide.medlive.cn/guideline/25596

[3]https://www.abcam.cn/kits/micrornas-as-biomarkers-in-cancer-1

[4]https://caivd-org.cn/webfile/file/20220508/20220508153691029102.pdf

[5]https://www.sohu.com/a/318088245_100120288

本文首发自 HyperAI 超神经微信公众平台~

基因表达分析实战:从差异表达、分类建模到通路富集的Matlab全流程 在生物信息学领域,基因表达数据分析的核心挑战在于从高维小样本数据中提取可靠信号。数学建模为解决这一挑战提供了关键框架,其核心原理是通过统计检验、机器学习等方法,将海量、嘈杂的测量数据转化为可验证的生物学洞见。这一过程的技术价值在于能够系统性地识别差异表达基因、构建高精度分类模型,并揭示基因间的功能关联。其典型应用场景包括疾病亚型分类、生物标志物发现和功能通路解析。本文以乳腺癌亚型分析为例,详细演示了如何利用Matlab平台,结合**差异表达分析**和**分类模型**,完成从公开数据获取、预处理、统计检验、特 阅读详情

相关推荐

6、现代基于基因表达的癌症检测与诊断技术综述

本文综述了现代基于基因表达的癌症检测与诊断技术,重点介绍了基因表达微阵列在癌症早期发现中的应用。文章系统梳理了从表示方法、特征选择、模型生成到分类的完整流程,总结了多种用于二元和多分类问题的机器学习方法,并比较了不同技术在结肠癌、乳腺癌、白血病等多种癌症类型上的表现。同时,文章分析了常用数据集、平台特性及评估标准,指出当前研究面临的维度灾难、平台依赖性和过拟合等挑战。最后展望了未来发展方向,包括多平台数据整合、新算法探索以及临床实际应用推广,为提升癌症诊断准确性提供了重要参考。

q9w8e7r6t5的博客 65

caret实战:递归特征消除(RFE)在生物信息学数据降维中的应用

本文详细介绍了caret包中递归特征消除(RFE)在生物信息学数据降维中的应用。通过实战案例展示了RFE如何从高维基因表达数据中筛选关键生物标志物,提升模型准确率并发现潜在生物标记。文章涵盖RFE实现机制、参数配置、性能优化技巧及结果可视化方法,为处理基因表达谱、蛋白质组学等复杂数据提供实用解决方案。

weixin_29054399的博客 362

转录组学RNA-Seq测序数据生信分析(1)——Log₂FC、P Value计算与火山图绘制

本文介绍了从零基础入门医学生信分析到发表SCI论文的全流程。以中国脑胶质瘤基因图谱计划(CGGA)的公开数据集CGGA-325为例,详细讲解了数据处理与分析的关键步骤:1)使用pandas进行临床数据和基因数据的读取与合并;2)通过t检验计算高低级别胶质瘤的基因差异表达(Log₂FC和P值);3)绘制火山图可视化差异表达基因。文章特别强调数据处理技巧和SCI论文绘图规范,为初学者提供了完整的分析框架和Python代码实现。通过这套方法,研究者可以系统性地开展生物信息学分析并产出可发表的科研成果。

weixin_sbvtkdddnl的博客 1539

生物信息学入门 GEO芯片数据差异表达分析时需要log2处理的原因

首先借用一张图,通常使用limma处理时,需要经过log2后的矩阵作为表达矩阵输入。根据log2FC的定义,这个数字表示变化倍数经过log2后的一个值,比如log2FC=1,则变化为2倍;log2FC=2,则变化为4倍。这是常用的一种表述方法。 在使用limma函数计算时,如果输入的矩阵没有经过log2处理,则会把FC当成log2FC输入,这或许是因为limma默认输入的是log2后的表达式...

无名岛 4万+

18、医疗数据挖掘:从技术到应用的全面解析

本文全面解析了数据挖掘技术在医疗领域的应用,涵盖预测性与描述性数据挖掘方法、典型疾病(如阿尔茨海默病和乳腺癌)的研究案例、癌症特征选择算法、大数据计算的优势与挑战,以及健康信息学和移动健康监测的实践流程。文章还探讨了监督学习在在线疾病报告验证中的潜力,展望了多组学整合、人工智能融合、个性化医疗等未来趋势,并总结了当前面临的数据隐私、质量、算法解释性与跨学科合作等挑战及应对策略。

m2n3o4p5的博客 58

YOLOv8缺陷检测可视化界面实战:PyQt5布局设计与代码实现

本文详细介绍了如何利用PyQt5为YOLOv8缺陷检测模型构建一个专业、易用的可视化界面。通过实战讲解PyQt5的布局管理器设计、信号槽机制与YOLOv8核心的集成,帮助开发者快速将AI模型部署为直观的桌面应用,提升工业质检等场景的落地效率。

redis7keeper的博客 760

【R语言】——火山图绘制

以转录组为例,转录组分析并不是针对一个或几个转录本进行分析,是对一个样品中所转录表达的所有转录本进行分析。:即Log2(fold change)火山图中横坐标的变量,将“fold change”进行了log2转化后,获得的数据中正数为上调的基因/负数为下调的基因,这样就可以使火山图两边对称分布(即左侧表下调/右侧表上调)。:即P-value,统计学根据显著性检验方法所得到的一个衡量值,一般以P < 0.05为显著,P

weixin_54004950的博客 3万+

LabVIEW通过ActiveX控件实现与三菱FX5U PLC的高效数据交互

本文详细介绍了如何利用LabVIEW的ActiveX控件,通过三菱官方MX Component工具包实现与FX5U PLC的高效数据交互。文章从环境配置、控件插入到实战代码解析,系统讲解了连接建立、数据读写及资源释放的全流程,并提供了关键的避坑指南,帮助工程师快速构建稳定可靠的上位机通讯系统。

weixin_29197051的博客 376

识别差异表达蛋白编码基因

识别差异表达蛋白编码基因题目回顾1.识别差异表达蛋白编码基因2.绘制火山图3.绘制热图 题目回顾 1.利用T检验结合FC的方法识别差异表达蛋白编码基因及lncRNA(ESC与CM之间的差异)注:考虑数据的预处理(例如 删除全部样本低表达基因,log转化)。(结果文件,基因ID ESC均值 CM均值 FC P值 FDR值) 2.绘制差异表达蛋白编码基因及lncRNA火山图(ggplot2) 3.利用差异表达mRNA的表达谱进行聚类分析(pheatmap) 1.识别差异表达蛋白编码基因 利用T检验结合F

weixin_45713174的博客 4073

重塑计算的五层蛋糕:解读黄仁勋CES2026演讲背后的AI新秩序与物理世界

2026年CES演讲揭示AI新纪元:从语言模型到物理智能 NVIDIA CEO黄仁勋在2026年CES演讲中描绘了计算产业的根本性变革。核心突破包括: 计算范式转移:从指令执行转向意图理解,智能体系统崛起 物理AI突破:发布Cosmos世界模型,通过合成数据训练AI理解物理定律 全新VeraRubin计算平台:6芯片协同设计,解决摩尔定律放缓与AI需求增长的矛盾 自动驾驶革命:推出具备推理能力的Alpamayo模型,实现L4级自动驾驶 演讲标志着AI正从数字世界迈向物理世界,NVIDIA通过全栈布局,正在重

老孙 | Ethan Sun 的博客:AI 智能体与 AI 原生软件的工程实践 1279

工业相机与ABB机器人Socket通信实战:手把手教你用RobotStudio 6.08搭建视觉引导工作站

本文详细介绍了工业相机与ABB机器人通过Socket通信实现视觉引导工作站的实战教程。使用RobotStudio 6.08平台,涵盖工作站搭建、坐标系标定、RAPID代码开发及TCP/IP通信配置,特别解析了欧拉角与四元数转换等关键技术难点,助力智能制造产线升级。

weixin_42531516的博客 411

【机器学习】特征选择策略:为检测乳腺癌生物标志物寻找新出口

内容一览:microRNA(小分子核糖核酸)是一类短小的单链非编码 RNA 转录体。这些分子在多种恶性肿瘤中呈现失控性生长,因此近年来被诸多研究确定为确诊癌症的可靠的生物标志物 (biomarker)。在多种病理分析中,差异表达分析 (Differential Expression Analysis) 常被视为检测关键生物标志物的有效方法,而来自意大利那不勒斯费德里科二世大学的研究人员,则提出基于...

fengdu78的博客 994

Gromacs 模拟昆虫 P450 解毒酶与农药结合完整指南,仅供参考!

🏆 本文收录于《全栈Bug调优(实战版)》专栏,致力于分享我在项目实战过程中遇到的各类Bug及其原因,并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者,本文将为你指引出一条更高效的Bug修复之路,助你早日登顶,迈向财富自由的梦想🚀!同时,欢迎大家关注、收藏、订阅本专栏,更多精彩内容正在持续更新中。让我们一起进步,Up!Up!Up!    备注: 部分问题/难题源自互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验总结所得,数条可行方案供所需之人参考。

**My Coding Family** 1244

机器学习深掘临床研究中小分子代谢标志物的探索与应用

小分子生物标志物的概念小分子生物标志物是指在人体内发生变化,能够作为疾病判断和检测指标的小分子化合物。例如,临床上对糖尿病的判断可以利用人体中的血糖或尿糖浓度作为依据;肾功能疾病的判断可以根据肌酐浓度作为依据;冠心病的判断可以通过胆固醇的水平以及动脉硬化程度作为依据等。生物标志物的分类,生物标志物可分为小分子、大分子、复合生物以及生物种群标志物等。小分子生物标志物:是人体生命活动和代谢的基础,其在人体内的变化可作为疾病判断和检测的指标。大分子生物标志物:可分为核酸类、蛋白质类以及糖类和脂类等。

AllenLV的博客 2214

rk3588上适配wifi模组aic8800

记录一下在rk3588上调试aic8800,调试分为Debian11以及Android12两个平台,这里主要是讲过程以及修改的过程,以补丁的形式来提供解决方法。在Debian11下主要通过配置设备树、编译驱动并自动加载固件完成调试,详细介绍了设备树修改、驱动编译脚本调整和驱动加载流程。

m0_60805802的博客 1007

Spring AI 项目实战(三):Spring Boot + AI + DeepSeek 打造智能客服系统(附完整源码)

摘要 本文介绍了基于Spring Boot 3.2和Spring AI 1.0.0-M4构建智能客服系统的技术方案。系统采用分层架构设计,集成DeepSeek API提供自然语言处理能力,使用MyBatis和H2数据库实现数据持久化,并通过Thymeleaf+Bootstrap构建前端界面。文章详细阐述了项目的技术栈选择、Maven依赖配置、应用架构设计,以及各模块的功能划分,为开发者提供了完整的智能客服系统实现方案,涵盖从后端服务到前端交互的全流程开发指导。

博客 3850

还在手动筛选生物标志物?Python自动化深度学习方案来了,效率提升90%

告别低效手动筛选,掌握生物标志物的Python深度学习挖掘新方法。适用于癌症早筛、药物研发等场景,结合TensorFlow与特征选择算法,提升分析效率90%。自动化建模流程精准识别关键标志物,值得收藏。

FuncInk的博客 589

基于龙虾Claw的会议纪要自动提取与重点内容总结办公场景实践

本文介绍如何使用龙虾Claw构建会议纪要自动提取与重点内容总结系统,实现会议内容的智能处理。

一键难忘的博客 256

深度学习乳腺癌淋巴结转移与HER2评估【附源码模型】

为了辅助病理医生提高诊断效率和准确性,本研究建立了基于深度学习的前哨淋巴结转移灶自动识别模型。随后,将勾画好的数字病理切片裁剪为固定分辨率的小块图像,并采用先进的染色标准化方法对所有图像进行颜色归一化处理,消除不同切片之间由于染色条件差异造成的颜色变异,使得模型能够学习到与染色无关的组织形态学特征。然而,在日常的病理诊断工作中,HER2的评估主要依赖病理医生对免疫组化染色结果的判读,这一过程不仅繁琐耗时,而且具有较高的主观性,不同医生对同一切片的判读结果可能存在差异,影响了诊断的一致性和可靠性。

lagougongzuoshi的博客 160

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

深度学习实战:PCA与LASSO在数据降维与特征选择中的双剑合璧

本文深入探讨了PCA与LASSO在数据降维与特征选择中的协同应用,通过基因数据分析、金融风控等实战案例,展示了如何有效应对维度灾难。文章详细介绍了PCA的数据压缩技巧和LASSO的特征筛选方法,并提供了优化模型性能的实用策略,帮助读者在深度学习中实现高效数据处理。

u5v6w7的博客 739

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

WGCNA+ElasticNet+SHAP:生物医学小样本机器学习可解释建模实战

机器学习在生物信息学中的应用,本质是解决高维稀疏、小样本、强噪声数据下的可靠建模问题。其核心原理在于分层解耦——先通过无监督网络方法(如WGCNA)压缩基因维度并保留通路层级结构,再以正则化模型(如ElasticNet)实现稳定特征选择,最后借助SHAP等可解释性技术将数学输出映射为临床可理解的生物学机制。该技术路径显著提升模型的可重复性、可验证性与临床迁移能力,广泛适用于肿瘤亚型分类、疾病风险预测、多组学整合分析等真实科研与诊断场景,尤其适合样本量有限但需发表Methods或对接LIS系统的医院与Biot

weixin_30296405的博客 343

生物医学工程毕业论文题目【附数据】

有的题目可以直接用,有的还需要再细化下,稍微改动一下,也能作为创新的选题。总的来说,最重要的就是定的题目要确保后续能够写的出来,写的顺畅。本人长期从事这方面的科研工作,去年光是帮忙修改和润色就有几十篇文章,这里分享一些今年最新的题目及写作指导。基于深度学习的动态心电信号分析关键技术研究 基于仿生贻贝纳米平台用于增强乳腺癌光热治疗的研究。觉醒相关的大尺度功能连接梯度动态性的结构学和神经调制机制研究。复苏后早期心脑电耦合的变化规律及其对氧疗效果评估的实验研究。

坷拉博士 2497

ScienceAI 案例汇总 | 医学研究最新动向

本文约2100字,建议阅读5分钟 AI 正逐渐改变科研工作者的研究方式。通过无监督学习和神经网络,AI 能够在短时间内对大量数据进行处理,并对结果进行预测。近年来,ScienceAI 已在多个领域有所突破,尤其是医学。医学与人类的生活息息相关,但这一学科具有很强的综合性和庞杂的数据,需要科研人员投入大量时间进行分析。近期,AI 在基因突变、癌症防治、药物研发等领域都取得了重要进展。本期内容分享,H...

数据派THU 234

生物信息学机器学习第二阶段:从可预测到可解释可验证

机器学习在生物信息学中的应用已超越基础建模,进入以生物学意义为导向的深度实践阶段。其核心原理在于将统计模型与先验生物学知识(如通路结构、分子互作网络、功能富集)深度融合,从而突破黑箱局限,实现可解释性与可验证性。这一技术价值体现在模型输出能直接支撑湿实验设计、驱动机制假说生成,并通过多组学闭环验证提升科研可信度。典型应用场景包括单细胞多组学整合分析、耐药性预测、肿瘤突变负荷建模及临床表型关联挖掘。本文聚焦于真实科研中模型与生物学假设之间的张力调和,重点解析图神经网络(GNN)在关系建模中的优势,以及SHAP

weixin_33968104的博客 440

【深度学习】ScienceAI 案例汇总 | 医学研究最新动向

AI 正逐渐改变科研工作者的研究方式。通过无监督学习和神经网络,AI 能够在短时间内对大量数据进行处理,并对结果进行预测。近年来,ScienceAI 已在多个领域有所突破,尤其是医学。医学与人类的生活息息相关,但这一学科具有很强的综合性和庞杂的数据,需要科研人员投入大量时间进行分析。作者 | 雪菜编辑 | 三羊、铁塔近期,AI 在基因突变、癌症防治、药物研发等领域都取得了重要进展。本期内容分享,H...

fengdu78的博客 440
上一篇: 编译 PaddlePaddle 模型
下一篇: 光伏圈告别「看天吃饭」,塞浦路斯大学耗时 2 年,发现机器学习预测污染损失未来可期
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值