Las técnicas de aprendizaje automático ya se utilizan en muchas técnicas de metabolómica (otras ómicas también). Los datos de Omics son datos de alta dimensión. En una sola instancia, en una muestra puede tener algunos cientos de características de metabolitos. La metabolómica también es muy diferente de otras ómicas (proteómica / genómica) ya que no es constante y está cambiando muy rápidamente. La metabolómica es el vínculo entre el genotipo y el fenotipo. A un nivel muy básico en la metabolómica, el objetivo es comprender qué metabolitos son responsables del fenotipo. En un nivel más avanzado, comienza a conectar los bits de esta información para tener una idea de cómo funcionan las cosas a nivel de biología del sistema. Tan pocos ejemplos, con tantas características y fenotipos, utiliza técnicas de selección variable y reducción de la dimensionalidad. Técnicas de clasificación para encontrar los biomarcadores de la enfermedad. Redes neuronales para profundizar en la biología de sistemas y el análisis complejo. Agrupación para comprender más sobre metabolitos desconocidos / conocidos.
Existe mucha literatura sobre algoritmos de aprendizaje automático ya utilizados en metabolómica
- ¿Cómo puedo explicar el hecho de que el aprendizaje por transferencia ofrece un mejor rendimiento que el entrenamiento estándar?
- ¿Por qué están recibiendo tanta atención Machine Learning + Big Data?
- ¿Cómo se compara la industria del aprendizaje automático con las opciones de carrera dentro del desarrollo web?
- Cómo migrar modelos de aprendizaje automático que están escritos en diferentes lenguajes de programación
- En Tensorflow: ¿qué tipo de red neuronal debo usar?
