EnsInfer: a simple ensemble approach to network inference outperforms any single method.
EnsInfer: a simple ensemble approach to network inference outperforms any single method.
复制标题
DOI：
10.1186/s12859-023-05231-1
复制
发表时间：
2023-03-24
影响因子：
3
通讯作者：
中科院分区：
文献类型：
--
作者：
本研究既评估了现有的各种基本因果推理方法，也评估了各种集成方法。我们表明：(i)基础网络推理方法在不同数据集上的性能不同，因此在一个数据集上工作不好的方法可能在另一个数据集上工作得很好；（ii）与使用最佳单基方法或任何其他集成方法相比，朴素贝叶斯分类器形式的非同质集成方法总体上具有同样或更好的结果；（iii）为了获得最好的结果，集合方法应该整合所有满足训练数据正态性统计检验的方法。由此产生的集成模型EnsInfer轻松集成了各种RNA-seq数据以及新的和现有的推断方法。本文对最先进的底层方法进行了分类和回顾，详细描述了EnsInfer集成方法，并给出了实验结果。源代码和使用的数据将在发布后提供给社区。在线版本包含补充材料，可在10.1186/s12859-023-05231-1获得。
This study evaluates both a variety of existing base causal inference methods and a variety of ensemble methods. We show that: (i) base network inference methods vary in their performance across different datasets, so a method that works poorly on one dataset may work well on another; (ii) a non-homogeneous ensemble method in the form of a Naive Bayes classifier leads overall to as good or better results than using the best single base method or any other ensemble method; (iii) for the best results, the ensemble method should integrate all methods that satisfy a statistical test of normality on training data. The resulting ensemble model EnsInfer easily integrates all kinds of RNA-seq data as well as new and existing inference methods. The paper categorizes and reviews state-of-the-art underlying methods, describes the EnsInfer ensemble approach in detail, and presents experimental results. The source code and data used will be made available to the community upon publication. The online version contains supplementary material available at 10.1186/s12859-023-05231-1.
登录
查看更多内容
影响因子：
9.9
作者：
Arrieta-Ortiz ML;Hafemeister C;Bate AR;Chu T;Greenfield A;Shuster B;Barry SN;Gallitto M;Liu B;Kacmarczyk T;Santoriello F;Chen J;Rodrigues CD;Sato T;Rudner DZ;Driks A;Bonneau R;Eichenberger P
通讯作者：
Eichenberger P
推断因果分子网络：通过基于社区的努力进行的经验评估。
影响因子：
48
作者：
Hill SM;Heiser LM;Cokelaer T;Unger M;Nesser NK;Carlin DE;Zhang Y;Sokolov A;Paull EO;Wong CK;Graim K;Bivol A;Wang H;Zhu F;Afsari B;Danilova LV;Favorov AV;Lee WS;Taylor D;Hu CW;Long BL;Noren DP;Bisberg AJ;HPN-DREAM Consortium;Mills GB;Gray JW;Kellen M;Norman T;Friend S;Qutub AA;Fertig EJ;Guan Y;Song M;Stuart JM;Spellman PT;Koeppl H;Stolovitzky G;Saez-Rodriguez J;Mukherjee S
通讯作者：
Mukherjee S
影响因子：
16.6
作者：
Hayashi T;Ozaki H;Sasagawa Y;Umeda M;Danno H;Nikaido I
通讯作者：
Nikaido I
DOI：
10.1016/j.techfore.2021.120796
发表时间：
2021-05-11
影响因子：
12
作者：
Shahabadi, Mohammad Saleh Ebrahimi;Tabrizchi, Hamed;Palmieri, Francesco
通讯作者：
Palmieri, Francesco
影响因子：
48
作者：
Marbach, Daniel;Costello, James C.;Kueffner, Robert;Vega, Nicole M.;Prill, Robert J.;Camacho, Diogo M.;Allison, Kyle R.;Kellis, Manolis;Collins, James J.;Stolovitzky, Gustavo
通讯作者：
Stolovitzky, Gustavo