Machine Learning Facilitates Imputation of Gene Expression Levels across Multiple Environments
Notice bibliographique
Résumé
Gene expression level reflects the active biological processes in a live cell. It is of great importance to quantify gene expression levels across multiple environments. However, for technical reasons, the expression level in some environments/strains of species may not be measured correctly because of sequence diversity or technical reasons in mRNA-seq, qPCR, or microarray. Therefore, it would be highly beneficial if we could infer the missing expression level from existing data, and this process of filling in such missing values is called imputation. Imputation is a very active field in machine learning, and many tech companies use imputation to infer customer preferences for products/movies, etc. Here we apply multiple state-of-the-art imputation methods and compare their performance in predicting gene expression levels across multiple environments. Using a multi-environment expression dataset of Saccharomyces cerevisiae across 13 environments, we randomly removed 5%, 20%, 50%, and 75% of the expression level from the dataset and applied various imputation methods to predict the missing values and use root mean squared error for comparison of model performances. We found that SVD works the best among the five methods, followed by KNN with five nearest neighbors and KNN with two nearest neighbors. In contrast, univariate mean and univariate median works the worse and perform similarly. Although the latter two univariate methods were very commonly used in practice, our result highlights the benefit of using machine learning methods for imputation for better predictions of expression levels across environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».