Editorial Ilmu Komputer & AI
Open AccessOA2022
Machine learning untuk integrasi data multi-omik pada kanker
Tinjauan ini mengategorikan alat machine learning untuk integrasi multi-omik ke dalam pendekatan serbaguna dan spesifik tugas, melakukan benchmark lima metode pada data Cancer Cell Line Encyclopedia untuk klasifikasi jenis kanker dan prediksi respons obat, serta memberikan panduan untuk pemilihan metode.
Zhaoxiang Cai; R. Poulos; Jia Liu; Qing Zhongยท iScienceยท 2022ยท DOI 10.1016/j.isci.2022.103798
Masalah inti
Analisis data multi-omik telah menjadi landasan biologi molekuler kanker, memungkinkan temuan yang mendobrak batas melalui integrasi genomik, transkriptomik, proteomik, dan lapisan omik lainnya. Kompleksitas dan volume data semacam itu menuntut pendekatan komputasional otomatis. Metode machine learning (ML) telah dikembangkan untuk mengintegrasikan data omik, tetapi lanskapnya beragam, dengan alat yang berbeda dalam tujuan, paradigma pembelajaran, dan kinerja. Tinjauan ini bertujuan mengategorikan alat ML untuk integrasi multi-omik, melakukan benchmark metode representatif, dan menawarkan rekomendasi bagi para peneliti. Para penulis menekankan bahwa metodologi integrasi data yang lebih baik sangat penting untuk penemuan obat, desain uji klinis, dan pengobatan yang dipersonalisasi.
Inovasi
Para penulis mengklasifikasikan alat ML ke dalam dua kategori utama: serbaguna dan spesifik tugas. Metode serbaguna dirancang untuk tugas integrasi yang luas, sedangkan metode spesifik tugas disesuaikan untuk pertanyaan biologis tertentu seperti penemuan subtipe kanker atau prediksi respons obat. Pendekatan pembelajaran terawasi dan tak terawasi keduanya dibahas. Untuk menilai kinerja, para penulis melakukan benchmark lima pendekatan ML menggunakan data dari Cancer Cell Line Encyclopedia (CCLE). Metrik evaluasi mencakup akurasi untuk klasifikasi jenis kanker, mean absolute error (MAE) untuk prediksi respons obat, dan efisiensi runtime. Metode spesifik yang di-benchmark tidak dirinci dalam ringkasan, tetapi kerangka benchmark dirancang agar dapat direproduksi dan informatif untuk pemilihan metode.
Pendahuluan
Analisis data multi-omik telah menjadi landasan biologi molekuler kanker, memungkinkan temuan yang mendobrak batas melalui integrasi genomik, transkriptomik, proteomik, dan lapisan omik lainnya. Kompleksitas dan volume data semacam itu menuntut pendekatan komputasional otomatis. Metode machine learning (ML) telah dikembangkan untuk mengintegrasikan data omik, tetapi lanskapnya beragam, dengan alat yang berbeda dalam tujuan, paradigma pembelajaran, dan kinerja. Tinjauan ini bertujuan mengategorikan alat ML untuk integrasi multi-omik, melakukan benchmark metode representatif, dan menawarkan rekomendasi bagi para peneliti. Para penulis menekankan bahwa metodologi integrasi data yang lebih baik sangat penting untuk penemuan obat, desain uji klinis, dan pengobatan yang dipersonalisasi.
Mengapa penting
Tinjauan ini membahas kekuatan dan batasan metode ML serbaguna versus spesifik tugas. Alat serbaguna menawarkan fleksibilitas tetapi mungkin kurang presisi dibandingkan pendekatan spesifik tugas, yang dioptimalkan untuk tujuan tertentu. Para penulis merekomendasikan agar peneliti memilih metode berdasarkan aplikasi spesifik mereka, dengan mempertimbangkan faktor seperti jenis data, ukuran sampel, dan sumber daya komputasi. Mereka juga menyoroti kebutuhan akan metodologi ML baru yang dapat menangani kompleksitas dan heterogenitas data multi-omik yang terus meningkat. Kemajuan semacam itu akan sangat penting untuk menerjemahkan wawasan multi-omik ke dalam aplikasi klinis, termasuk penemuan obat, desain uji klinis, dan pengobatan yang dipersonalisasi. Tinjauan ini ditutup dengan mendorong pengembangan dan benchmark metode integrasi secara berkelanjutan untuk memastikan ketahanan dan reproduksibilitas.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ