如何使用机器学习从相同的症状中得出不同的原因

机器学习在生物医学研究中发挥着越来越重要的作用。慕尼黑工业大学 (TUM) 的科学家们现在开发了一种使用分子数据提取疾病亚型的新方法。将来，这种方法可以帮助支持对更大患者群体的研究。

如今，医生根据症状来定义和诊断大多数疾病。然而，这并不一定意味着具有相似症状的患者的疾病将具有相同的原因或表现出相同的分子变化。在生物医学中，人们经常谈到一种疾病的分子机制。这是指在疾病发作时基因、蛋白质或代谢途径的调节发生变化。分层医学的目标是在分子水平上将患者分为不同的亚型，以提供更有针对性的治疗。

为了从大量患者数据中提取疾病亚型，新的机器学习算法可以提供帮助。它们旨在独立识别广泛临床测量中的模式和相关性。由实验生物信息学主席 Josch Konstantin Pauling 博士领导的 LipiTUM 初级研究小组为此开发了一种算法。

通过自动化网络工具进行复杂分析

他们的方法结合了现有算法的结果，以获得对临床亚型的更精确和稳健的预测。这统一了每种算法的特点和优势，并消除了它们耗时的调整。“这使得在临床研究中应用分析变得更加容易，”鲍林博士报告说。“出于这个原因，我们开发了一种基于网络的工具，允许从业者在没有生物信息学知识的情况下在线分析分子临床数据。”

在网站上，研究人员可以提交他们的数据进行自动分析，并使用结果来解释他们的研究。“对我们来说，另一个重要方面是结果的可视化。以前的方法无法对患者组、临床因素和分子特征之间的关系进行直观的可视化。这将随着我们的 MoSBi 工具产生的基于网络的可视化而改变，” TUM 生命科学学院的科学家 Tim Rose 说。MoSBi 代表使用双聚类的分子特征。双聚类是算法使用的技术的名称。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！