Применение машинного обучения в метаболомике: моделирование и классификация заболеваний

Исследования в области метаболомики в последнее время приобрели популярность, поскольку позволяют изучать биологические признаки на биохимическом уровне и, следовательно, непосредственно выявлять процессы, происходящие в клетке или ткани, с учетом состояния здоровья или заболевания, дополняя другие омиксные подходы, такие как геномика и транскриптомика. Как и другие высокопроизводительные биологические эксперименты, метаболомика генерирует огромные объемы сложных данных. Применение машинного обучения (ML) для анализа данных, распознавания закономерностей и построения моделей расширяется во многих областях. Аналогичным образом, методы ML используются для классификации, регрессии и кластеризации чрезвычайно сложных метаболомных данных. В этом обзоре рассматривается, каким образом моделирование и диагностика заболеваний могут быть усовершенствованы с помощью глубокого и всестороннего метаболомного профилирования с использованием ML. Мы обсуждаем общую структуру метаболомного рабочего процесса и основные методы ML, применяемые для анализа метаболомных данных, включая метод опорных векторов (SVM), деревья решений, случайные леса (RF), нейронные сети (NN) и глубокое обучение (DL). Наконец, мы рассматриваем преимущества и недостатки различных методов ML и предлагаем рекомендации для различных сценариев анализа метаболомных данных.