기계 학습을 활용한 바이오마커 발견 및 검증 분석을 위한 10가지 빠른 팁

바이오 샘플 프로파일링을 위한 고처리량 실험 방법과 임상 및 건강 기록 데이터의 증가하는 컬렉션은 바이오마커 발견 및 의료 의사 결정을 지원할 수 있는 많은 기회를 제공합니다. 그러나 단일 세포 오믹스 및 고해상도 세포 이미징 데이터와 같은 많은 새로운 데이터 유형은 데이터 분석에 특정 도전 과제를 제기합니다. 이용 가능한 샘플의 수에 비해 데이터의 고차원성(종종 p >> n 문제라고 언급됨), 덧셈 및 곱셈 노화의 영향, 유용하지 않거나 중복된 데이터 특징의 큰 수, 이상치, 혼란 요인 및 불균형한 샘플 그룹 수는 현재 생물 의학 데이터 컬렉션의 일반적인 특성입니다. 다요인 오믹스 데이터를 이용한 임상 의사 지원 도구 개발에서 첫 번째 성공이 이루어졌지만, 예를 들어 FDA 승인을 받은 오믹스 기반 바이오마커 서명이 일반 암 적응증에 대해 발생했으나, 여전히 많은 복잡한 질병에 대한 더 이르고 정확하며 견고한 진단 및 예후 도구에 대한 unmet need와 큰 잠재력이 존재합니다.