stabl

发现稀疏，可靠的Omic生物标志物具有Stabl

在临床研究中采用高含量的OMIC技术，再加上计算方法，产生了大量的候选生物标志物。但是，将这种发现转化为真正的临床生物标志物仍然具有挑战性。为了促进此过程，我们引入了Stabl，这是一种通用的机器学习方法，该方法通过将噪声注入和数据驱动的信号对噪声阈值集成到多变量的预测建模中来识别稀疏，可靠的生物标志物。对合成数据集的STABL评估和五项独立的临床研究表明，与常用的稀疏性促进正则化方法相比，生物标志物的稀疏性和可靠性得到了改善，同时保持预测性能；它将包含1,400-35,000个功能的数据集蒸馏到4-34个候选生物标志物。stabl扩展到多摩尼克的整合任务，从而实现了复杂预测模型的生物学解释，因为它可以在蛋白质组织，代谢组和细胞计算事件的入围名单中进行磨练，从而预测了劳动力发作，术前出生的微生物生物标记物，并在术后术后的免疫特征。Stabl可从https://github.com/gregbellan/stabl获得。