Machine learning, the kidney, and genotype-phenotype analysis.
Machine learning, the kidney, and genotype-phenotype analysis.
复制标题
DOI：
10.1016/j.kint.2020.02.028
复制
发表时间：
2020-06
影响因子：
19.6
通讯作者：
Troyanskaya OG
中科院分区：
文献类型：
--
作者：
Sealfon RSG;Mariani LH;Kretzler M;Troyanskaya OG
随着生物医学研究向数据丰富的科学过渡，机器学习为从大规模生物数据集中提取知识提供了强大的工具包。综合肾脏组学简编（转录组学、蛋白质组学、代谢组学、基因组测序）以及其他数据模式（如电子健康记录、数字肾脏病理学库和放射肾脏图像）的可用性日益增加，使得机器学习方法对于分析人类肾脏数据集越来越重要。在这里，我们讨论如何将机器学习方法应用于肾脏疾病的研究，特别关注如何将机器学习方法用于理解基因型和表型之间的关系。
With biomedical research transitioning into data-rich science, machine learning provides a powerful toolkit for extracting knowledge from large-scale biological datasets. The increasing availability of comprehensive kidney omics compendia (transcriptomics, proteomics, metabolomics, genome sequencing), as well as other data modalities such as electronic health records, digital nephropathology repositories, and radiology renal images, make machine learning approaches increasingly essential for analyzing human kidney datasets. Here, we discuss how machine learning approaches can be applied to the study of kidney disease, with a particular focus on how they can be used for understanding the relationship between genotype and phenotype.
登录
查看更多内容
DOI：
10.1126/science.1193032
发表时间：
2010-08-13
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Genovese G;Friedman DJ;Ross MD;Lecordier L;Uzureau P;Freedman BI;Bowden DW;Langefeld CD;Oleksyk TK;Uscinski Knob AL;Bernhardy AJ;Hicks PJ;Nelson GW;Vanhollebeke B;Winkler CA;Kopp JB;Pays E;Pollak MR
通讯作者：
Pollak MR
影响因子：
4.2
作者：
Brown, Trevor S.;Elster, Eric A.;Jindal, Rahul M.
通讯作者：
Jindal, Rahul M.
影响因子：
13.6
作者：
Ginley, Brandon;Lutnick, Brendon;Sarder, Pinaki
通讯作者：
Sarder, Pinaki
影响因子：
168.9
作者：
Devuyst, Olivier;Knoers, Nine V. A. M.;Remuzzi, Giuseppe;Schaefer, Franz
通讯作者：
Schaefer, Franz
影响因子：
6
作者：
Fernando, Buddhi N. T. W.;Alli-Shaik, Asfa;Nanayakkara, Nishantha
通讯作者：
Nanayakkara, Nishantha