Machine Learning in Epigenomics: Insights into Cancer Biology and Medicine.
Machine Learning in Epigenomics: Insights into Cancer Biology and Medicine.
复制标题
DOI：
10.1016/j.bbcan.2021.188588
复制
发表时间：
2021-12
期刊：
影响因子：
--
通讯作者：
Rai K
中科院分区：
文献类型：
--
作者：
Arslan E;Schulz J;Rai K
最近大量的全基因组技术用于表观基因组的绘制和癌症样本中的结果数据，为深入了解和理解表观遗传过程在癌症中的作用提供了机会。然而，与这些数据相关的复杂性、高维性、稀疏性和噪声给广泛的综合分析带来了挑战。机器学习（ML）算法特别适合表观基因组数据分析，因为它们具有灵活性和学习潜在隐藏结构的能力。我们将讨论机器学习下四个重叠但不同的主要类别：降维、无监督方法、有监督方法和深度学习（DL）。我们回顾了这些算法在癌症表观基因组学数据分析中的首选用例，希望概述如何使用ML方法来探索表观基因组在癌症生物学和医学中的作用的基本问题。
The recent deluge of genome-wide technologies for the mapping of the epigenome and resulting data in cancer samples has provided the opportunity for gaining insights into and understanding the roles of epigenetic processes in cancer. However, the complexity, high-dimensionality, sparsity, and noise associated with these data pose challenges for extensive integrative analyses. Machine Learning (ML) algorithms are particularly suited for epigenomic data analyses due to their flexibility and ability to learn underlying hidden structures. We will discuss four overlapping but distinct major categories under ML: dimensionality reduction, unsupervised methods, supervised methods, and deep learning (DL). We review the preferred use cases of these algorithms in analyses of cancer epigenomics data with the hope to provide an overview of how ML approaches can be used to explore fundamental questions on the roles of epigenome in cancer biology and medicine.
登录
查看更多内容
影响因子：
46.9
作者：
Becht, Etienne;McInnes, Leland;Newell, Evan W.
通讯作者：
Newell, Evan W.
DOI：
10.1093/bioinformatics/btab140
发表时间：
2021-09-09
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Bichindaritz I;Liu G;Bartlett C
通讯作者：
Bartlett C
DOI：
10.1073/pnas.0308531101
发表时间：
2004-03-23
影响因子：
11.1
作者：
Brunet, JP;Tamayo, P;Mesirov, JP
通讯作者：
Mesirov, JP
DOI：
10.1038/nrm3545
发表时间：
2013-04
期刊：
Nature reviews. Molecular cell biology
影响因子：
--
作者：
通讯作者：
--
影响因子：
12.3
作者：
Angermueller C;Lee HJ;Reik W;Stegle O
通讯作者：
Stegle O