11、生物信息学中的机器学习应用

生物信息学中的机器学习应用

1. 机器学习简介

生物数据具有复杂性和海量性，传统计算机科学技术与算法难以解决现实世界中的复杂生物问题。而机器学习这种现代计算方法，能够弥补传统技术的局限。它是一个自适应过程，让计算机可以从经验、示例中学习，还能进行类比学习。通过以往结果，不断自动提升计算系统的性能。

1.1 基本学习模型组件

一个基本的学习模型通常包含以下四个组件：
- 学习元素：负责提升性能。
- 性能元素：决定采取的行动。
- 关键元素：告知学习元素算法的执行情况。
- 问题生成器：提出能带来新体验或有用信息的行动建议。

1.2 机器学习的阶段

机器学习一般可分为三个阶段：
1. 分析训练示例集，并从训练集中生成规则集。
2. 由人类专家或基于自动知识的组件验证规则。
3. 使用经过验证的规则来响应新的测试数据集。

1.3 机器学习广泛应用的原因

机器学习在实践中，尤其是生物信息学领域广泛应用，原因如下：
- 传统专家系统构建时，专家虽能解释评估情况的因素，但难以说明所用规则，机器学习可解决此问题，提取隐藏情况描述并触发匹配专家行为的规则。
- 系统结果常与预期不符，可能因设计时输入的未知属性或功能，机器学习凭借动态改进能力可应对。
- 分子生物学研究中，新数据和概念不断更新，机器学习能适应变化环境，减轻系统设计师重新设计系统的负担。
- 生物数据存在缺失和噪声，传统计算机技术难以处理，机器学习技术可应对。
- 生物技术发展产生大量生物数据，可能存在重要隐藏关系，机器学