Machine learning for epigenetics and future medical applications.
Machine learning for epigenetics and future medical applications.
复制标题
DOI：
10.1080/15592294.2017.1329068
复制
发表时间：
2017-07-03
期刊：
影响因子：
3.7
通讯作者：
Skinner MK
中科院分区：
文献类型：
--
作者：
Holder LB;Haque MM;Skinner MK
了解表观遗传过程对医学应用有着巨大的希望。机器学习（ML）的进步对于实现这一承诺至关重要。以前的研究使用与疾病的表观遗传跨代遗传的种系传播相关的表观遗传数据集和新的ML方法来预测关键表突变的全基因组位置。主动学习（ACL）和不平衡类学习（ICL）的组合用于解决ML过去的问题，以开发更有效的特征选择过程并解决所有基因组数据集中的不平衡问题。这种新的ML方法的力量和我们预测表观遗传现象和相关疾病的能力被提出。目前的方法需要对基因组的特征进行广泛的计算。一种有前途的新方法是引入深度学习（DL）来生成和同时计算新的基因组特征，以适应分类任务。这种方法可以与应用于医学的任何基因组或生物数据集一起使用。分子表观遗传数据在先进机器学习分析中的应用是本文的重点。
Understanding epigenetic processes holds immense promise for medical applications. Advances in Machine Learning (ML) are critical to realize this promise. Previous studies used epigenetic data sets associated with the germline transmission of epigenetic transgenerational inheritance of disease and novel ML approaches to predict genome-wide locations of critical epimutations. A combination of Active Learning (ACL) and Imbalanced Class Learning (ICL) was used to address past problems with ML to develop a more efficient feature selection process and address the imbalance problem in all genomic data sets. The power of this novel ML approach and our ability to predict epigenetic phenomena and associated disease is suggested. The current approach requires extensive computation of features over the genome. A promising new approach is to introduce Deep Learning (DL) for the generation and simultaneous computation of novel genomic features tuned to the classification task. This approach can be used with any genomic or biological data set applied to medicine. The application of molecular epigenetic data in advanced machine learning analysis to medicine is the focus of this review.
登录
查看更多内容
影响因子：
14.9
作者：
Chae H;Park J;Lee SW;Nephew KP;Kim S
通讯作者：
Kim S
影响因子：
14.9
作者：
Adorján, P;Distler, J;Olek, A
通讯作者：
Olek, A
影响因子：
4.4
作者：
Capra, John A.
通讯作者：
Capra, John A.
影响因子：
2.9
作者：
Chen, Wei;Feng, Pengmian;Chou, Kuo-Chen
通讯作者：
Chou, Kuo-Chen
影响因子：
4.6
作者：
Ciucci S;Ge Y;Durán C;Palladini A;Jiménez-Jiménez V;Martínez-Sánchez LM;Wang Y;Sales S;Shevchenko A;Poser SW;Herbig M;Otto O;Androutsellis-Theotokis A;Guck J;Gerl MJ;Cannistraci CV
通讯作者：
Cannistraci CV