Automated training for algorithms that learn from genomic data.
Automated training for algorithms that learn from genomic data.
复制标题
DOI：
10.1155/2015/234236
复制
发表时间：
2015
影响因子：
--
通讯作者：
Broschat SL
中科院分区：
文献类型：
--
作者：
Cilingir G;Broschat SL
监督机器学习算法被生命科学家用于各种目标。 专家策划的公共基因和蛋白质数据库是收集数据以训练这些算法的主要资源。虽然这些数据资源不断更新，但通常这些更新不会被纳入已发布的机器学习算法中，因此这些算法在引入后很快就会过时。在本文中，我们提出了一种新的操作模型，用于从基因组数据中学习的监督机器学习算法。通过在训练数据收集过程和学习过程自动化的管道中定义这些算法，可以创建一个系统，该系统使用从公共资源获得的信息生成分类器或预测器。使用SignalP，MemLoci和ApicoAP的三个案例研究来解释所提出的模型，其中现有的机器学习模型在管道中使用。考虑到绝大多数用于收集训练数据的程序可以很容易地自动化，有可能将有价值的机器学习算法转化为自我进化的学习者，这些学习者受益于不断变化的基因产品数据，并开发具有类似能力的新机器学习算法。
Supervised machine learning algorithms are used by life scientists for a variety of objectives. Expert-curated public gene and protein databases are major resources for gathering data to train these algorithms. While these data resources are continuously updated, generally, these updates are not incorporated into published machine learning algorithms which thereby can become outdated soon after their introduction. In this paper, we propose a new model of operation for supervised machine learning algorithms that learn from genomic data. By defining these algorithms in a pipeline in which the training data gathering procedure and the learning process are automated, one can create a system that generates a classifier or predictor using information available from public resources. The proposed model is explained using three case studies on SignalP, MemLoci, and ApicoAP in which existing machine learning models are utilized in pipelines. Given that the vast majority of the procedures described for gathering training data can easily be automated, it is possible to transform valuable machine learning algorithms into self-evolving learners that benefit from the ever-changing data available for gene products and to develop new machine learning algorithms that are similarly capable.
登录
查看更多内容
影响因子：
14.9
作者：
Benson DA;Karsch-Mizrachi I;Lipman DJ;Ostell J;Sayers EW
通讯作者：
Sayers EW
DOI：
10.2307/2412448
发表时间：
1970-01-01
期刊：
SYSTEMATIC ZOOLOGY
影响因子：
--
作者：
FITCH, WM
通讯作者：
FITCH, WM
影响因子：
64.8
作者：
Fichera, ME;Roos, DS
通讯作者：
Roos, DS
影响因子：
3
作者：
Camacho C;Coulouris G;Avagyan V;Ma N;Papadopoulos J;Bealer K;Madden TL
通讯作者：
Madden TL
影响因子：
14.9
作者：
Aurrecoechea C;Brestelli J;Brunk BP;Fischer S;Gajria B;Gao X;Gingle A;Grant G;Harb OS;Heiges M;Innamorato F;Iodice J;Kissinger JC;Kraemer ET;Li W;Miller JA;Nayak V;Pennington C;Pinney DF;Roos DS;Ross C;Srinivasamoorthy G;Stoeckert CJ Jr;Thibodeau R;Treatman C;Wang H
通讯作者：
Wang H