Применение методов машинного обучения для анализа мультиомных данных: обзор

С развитием современных высокопроизводительных платформ для получения омиксных данных в биомедицинских исследованиях стало необходимо применять интегративный (комплексный) подход, чтобы в полной мере использовать эти данные для изучения биологических систем. Данные из различных омиксных источников, включая генетические данные, протеомику и метаболомику, можно объединять для раскрытия сложных механизмов функционирования системной биологии с помощью прогностических алгоритмов на основе машинного обучения. Методы машинного обучения предлагают новые способы интеграции и анализа различных омиксных данных, способствуя выявлению новых биомаркеров. Эти биомаркеры могут помочь в точном прогнозировании заболеваний, стратификации пациентов и реализации персонализированной медицины. В этом обзорном исследовании рассматриваются различные интегративные методы машинного обучения, применяемые для углублённого изучения биологических систем в норме и при заболеваниях. Представлены сведения и рекомендации для специалистов междисциплинарного профиля, планирующих использовать методы машинного обучения в мультиомных исследованиях.