Die Studie untersucht verschiedene Ansätze des Mehrfachkernel-Lernens (MKL) zur Integration und Analyse von Multi-Omics-Daten.
Zunächst werden klassische MKL-Algorithmen vorgestellt, die auf der konvexen linearen Optimierung der Kernelmatrizen basieren. Dazu gehören MKL-naive, SimpleMKL und STATIS-UMKL, die in Kombination mit Support Vector Machines (SVM) für die Klassifikation eingesetzt werden.
Darüber hinaus wird ein Deep-Learning-basierter Ansatz zur Kernelfusion, genannt Deep MKL, präsentiert. Dieser vermeidet die Optimierung der Kernelgewichte und nutzt stattdessen neuronale Netzwerke zur Fusion der Kernelrepräsentationen. Eine Erweiterung davon ist Cross-Modal Deep MKL, das Querverbindungen zwischen den Omics-Ebenen einführt.
Die Ergebnisse zeigen, dass die MKL-basierten Modelle mit komplexen, state-of-the-art, überwachten Multi-Omics-Integrationsansätzen konkurrieren können. Mehrfachkernel-Lernen bietet einen natürlichen Rahmen für prädiktive Modelle in genomischen Multi-Omics-Daten. Die Studie liefert Erkenntnisse für die Bio-Datenanalyse-Forschung und die weitere Entwicklung von Methoden zur Integration heterogener Daten.
翻譯成其他語言
從原文內容
arxiv.org
深入探究