| Autor: |
Unlu Yazici, M, Bakir-Gungor, B, Yousef, M |
| Jazyk: |
angličtina |
| Rok vydání: |
2023 |
| Předmět: |
|
| Zdroj: |
GMS Medizinische Informatik, Biometrie und Epidemiologie; VOL: 19; DOC05 /20230704/ |
| Popis: |
Developments in the high throughput technologies have enabled the production of an immense amount of knowledge at the multi-omics level. Considering complex diseases which are affected by multi-factors, single omics datasets might not be sufficient to unveil the molecular mechanisms of heterogeneous diseases. Providing a comprehensive and systematic overview to explain disease hallmarks in significant depth is critical. Utilizing multi-omics datasets has led to the development of a variety of tools and platforms. Machine learning models are utilized in a wide variety of tools to tackle the complexity of disorders and to identify new biomolecular signatures and potential markers. Underlying aspects of these approaches are based on training the models for making predictions and classification of the given data. In this review, we describe current machine learning-based approaches and available implementations. Challenges in the enlightenment of disease mechanisms of onset and progression and future development of the field of medicine will be discussed. The prominence of biological interpretation of model output with corresponding biological knowledge will be also covered in this review. Die Entwicklungen im Bereich der Hochdurchsatztechnologien haben den Erwerb einer immensen Menge an Wissen auf der Multi-Omics-Ebene ermöglicht. In Anbetracht komplexer Krankheiten, die von mehreren Faktoren beeinflusst werden, reichen einzelne Omics-Datensätze möglicherweise nicht aus, um die molekularen Mechanismen heterogener Krankheiten aufzudecken. Ein umfassender und systematischer Überblick ist notwendig, um Krankheitsmerkmale ausreichend zu erklären. Die Verwendung von Multi-Omics-Datensätzen hat zur Entwicklung einer Vielzahl von Werkzeugen und Plattformen geführt. Modelle des maschinellen Lernens werden in einer Vielzahl von Instrumenten eingesetzt, um die Komplexität von Krankheiten zu erfassen und neue biomolekulare Signaturen und potenzielle Marker zu identifizieren. Die grundlegenden Aspekte dieser Ansätze beruhen auf dem Training der Modelle, um Vorhersagen und Klassifizierungen der gegebenen Daten vorzunehmen. In dieser Übersichtsarbeit beschreiben wir die aktuellen, auf maschinellem Lernen basierenden Ansätze und die verfügbaren Implementierungen. Die Herausforderungen bei der Aufklärung der Mechanismen von Krankheitsentstehung und Krankheitsverlauf und zukünftige Entwicklungen im Bereich der Medizin werden erörtert. Auch die Bedeutung der biologischen Interpretation von Modellergebnissen mit entsprechendem biologischen Wissen wird in dieser Übersichtsarbeit angesprochen. |
| Databáze: |
OpenAIRE |
| Externí odkaz: |
|
|
Nepřihlášeným uživatelům se plný text nezobrazuje |
K zobrazení výsledku je třeba se přihlásit.
|
