发布网友
发布时间:2022-05-16 16:12
共3个回答
热心网友
时间:2023-10-30 08:16
对癌症做subtyping背景:cancer is a set of heteorogeneous diseases. 临床上把癌症分成各个亚型(subtyping)是为了达到更好的治疗效果,提高病人的生存几率(一般看五年存活率)。在人们没有完整的观察过cancer genomics之前,没人知道原来各个patient tumor之间的差别如此大。考虑到分子是表型的基础,人们便考虑把在差别如此大的各个肿瘤划分出一些类型,使得类型内的tumor相似性高而类型之间的相似性低。这样做的好处很多,最直接的就是对那些临床分型没啥用的肿瘤给予治疗支持。机器学习的主要应用:我主要看过的文章是TCGA对各个肿瘤的分子数据分析,共性便是利用分子数据做subtyping。机器学习的非监督学习在这里起到巨大作用。一般来说,会按照某一种数据类型比如基因表达数据来做subtyping,也有一些是会将不同数据类型比如表达、甲基化、拷贝数变异等整合起来再做subtyping。因此这里还涉及到how to combine heteorogeneous data的机器学习问题。因此也可以说cancer genomics的发展推动了机器学习的发展;预测病人phenotype背景:近五六年癌症分子数据研究的中心应该是TCGA(The Cancer Genome Atlas),现在这个项目已经完成了所有病人的测序和数据分析,其生物信息学研究机构GDAC正在抓紧准备发表剩下的文章。TCGA推动了人们对cancer genomics认识的大幅度提高,并且继续引领这方面的研究:他们在考虑如何大规模的将分子数据真正应用到临床上!这将是一次*传统临床医疗的行动,主要在于规模之大、预期目标实现的日子很近。从此,癌症的临床医疗将不会是一门玄学,将在分子数据的指导下完成治疗。期待癌症病人将会大大收益。
热心网友
时间:2023-10-30 08:17
生物信息学很大一个方向就是做这个的。机器学习在生物领域的应用实际上从90年代开始就已经开始了。比如早起的基因预测就是基于hmm实现的。现在随着各种noncoding rna的发现,这类应用也还不断存在。supervise learning经典的例子有突变致命性的预测,从21世纪初的SIFT,到后来08年的polyphen2以位点保守性,结构信息,序列信息为feature,训练贝叶斯分类器。另外的例子包括疾病预测,TF binding site预测等。unsupervised learning的经典例子有癌症亚型分类,简单的方法如clustering,PCA。复杂得则是综合各组学及pathway相关信息构建概率图模型如PARADIGM。另外我觉得很有意思的是通过genetic信息进行欧洲人种分类,画了个pca图和欧洲地缘几乎吻合。
热心网友
时间:2023-10-30 08:17
经科学的发展前景我也就不多说了,感兴趣的话可以直接去看现在的*支持项目就行,媒体上吹的也不少了。比如美国的BRAIN INITIATIVE, 欧盟的human brain project, 中国的中科院“脑功能联结图谱”先导计划,十三五‘国家战略百大工程项目“脑科学与类脑研究’,直接搜索就可以了。脑科学是一个探索大脑工作机理的科学,涉及到的问题包括神经系统的方方面面,比如学习、记忆、意识、认知功能、信息编码和传输、神经疾病等等。对它的研究可以在疾病治疗, 探索大脑工作原理,研究人工智能等方面都会有贡献。随便找本教材里边都写的很炫酷。这是一个多学科交叉的领域,融合了生物,心理,工程,统计,计算机,数学,物理,化学等多学科(排名不分先后)的知识。以我所在的Center for the Neural Baisis of Cognition (CNBC) 为例,人员来自10+个不同的系。