积累过程

将大规模生物医学数据聚类以模拟疾病进展和抗微生物抗性进化中的动态积累过程

积累建模使用机器学习来发现系统随着时间的推移获得6个离散功能的动态。许多生物医学兴趣系统都表明了这种动态：从细菌7获取抗药性到一组药物，到在进行性8疾病过程中患有症状的患者。现有的积累建模方法通常受到他们考虑的9个功能的数量或表征这些特征之间相互作用的能力的限制 - 这是10个大规模遗传和/或表型数据集的限制，在现代生物医学应用中经常发现。在这里，11我们演示了聚类如何使可用于强大累积的12种建模方法的大规模数据集。聚类解决了数据集中的稀疏性和高维度问题，但是13使推断动力学的静止性复杂化，尤其是在观察并非独立的情况下。14专注于超顺从隐藏的马尔可夫模型（HyperHMM），我们介绍了几种用于IN-15介入，估算和界限动力学结果的方法，并显示在这种情况下如何获得生物医学16的见解。我们证明了这种“基于簇的HyperHMM”（CHYPERHMM）17用于合成数据的管道，有关严重疟疾疾病进展的临床数据以及18种抗微生物抗性肺炎的抗菌耐药性演化的基因组数据，反映了两个全球健康威胁。19