A New Approach to Large Multiomics Data Integration
Notice bibliographique
Résumé
Data reduction and data mining are common practices for handling large-scale data from wide-ranging sources, but high-dimensional omics and imaging data sets present difficult challenges for feature extraction and data mining due to the large number of features that cannot be simultaneously examined. The sample numbers and variables in these methods are constantly growing as new technologies are developed, and computational analysis needs to evolve to keep up with growing demand. In recent years, there has been a rapid uptake of nonlinear dimensionality reduction via methods such as t-distributed stochastic neighbor embedding and uniform manifold approximation and projection. These approaches have revolutionized our ability to visualize and interpret high-dimensional data and have rapidly become preferred methods for analysis of data sets containing an extremely high number of variables. Further to this is the emerging interest in combining information from multiple omics sources to gain a more holistic view of systems biology. Current state-of-the-art algorithms can perform data mining, visualization, and classification on routine data sets but struggle when data sets grow above a certain size. We present a new approach to large and multiomic data integration to extract, mine, and integrate large multiomics data sets that were previously considered prohibitively large. Here, we demonstrate the use of deep learning on subsampled nonlinear dimensionality reduction using t-SNE and UMAP to extract features from large complex data sets including mass spectrometry imaging and chromosome conformation capture. We then go on to demonstrate how this method can be used to learn embeddings from the fusion of different omics data, allowing metabolomics data to be projected into a reduced transcriptomics representation.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».