Übersicht
Beim überwachten Lernen wird ein Datensatz aus Eingabe-Ausgabe-Paaren verwendet, bei dem die richtige Antwort bekannt ist, um ein Modell zu trainieren, das die Ausgabe für neue, unsichtbare Eingaben vorhersagen kann. In der Bioinformatik lässt sich dieses Paradigma auf natürliche Weise auf Probleme wie die Klassifizierung einer Gewebeprobe als krebsartig oder gesund, die Vorhersage, ob eine genetische Variante pathogen ist, oder die Zuweisung einer Funktion zu einem uncharakterisierten Protein übertragen. Das Modell lernt Entscheidungsgrenzen, die Klassen im Merkmalsraum trennen, gesteuert durch eine Verlustfunktion, die Vorhersagefehler bestraft.
Methoden
Logistische Regression modelliert die Wahrscheinlichkeit der Klassenzugehörigkeit und bleibt eine Grundlage für die binäre Klassifizierung, insbesondere wenn die Interpretierbarkeit im Vordergrund steht. Unterstützungsvektormaschinen konstruieren Hyperebenenseparatoren mit maximalem Spielraum und funktionieren gut in hochdimensionalen Einstellungen, die für Omics-Daten typisch sind. Zufällige Wälder fassen viele Entscheidungsbäume zusammen, die auf Bootstrapping-Stichproben trainiert wurden, und stellen integrierte Maßeinheiten für die Wichtigkeit von Merkmalen bereit. Gradient-Boosted-Bäume (XGBoost, LightGBM) korrigieren Vorgängerfehler iterativ und gewinnen oft Wettbewerbe im Bereich strukturierter Daten. Neuronale Netze mit verborgenen Schichten können komplexe nichtlineare Grenzen lernen, erfordern jedoch mehr Daten und eine sorgfältige Regularisierung. Alle Methoden profitieren von der Anpassung der Klassengewichtung oder dem Resampling, wenn Klassen unausgeglichen sind.
Praktisches Protokoll
Ein praktischer Arbeitsablauf für überwachtes Lernen zur Klassifizierung der Genexpression beginnt mit dem Laden der Expressionsmatrix, in der Zeilen Gene und Spalten Patientenproben darstellen. Die Daten werden zunächst mithilfe der logarithmisch transformierten Anzahl pro Million (log-CPM) oder der Quantilnormalisierung normalisiert. Ein typischer Datensatz könnte 20.000 Genmerkmale in 100 Proben enthalten, was eine sorgfältige Validierung erfordert. Der Forscher teilt die Daten in Trainings- (70 %), Validierungs- (15 %) und Test- (15 %) Sätze auf und behält dabei die Klassenverhältnisse durch Schichtung bei. Auf dem Trainingssatz wird ein zufälliger Waldklassifikator mit 500 Bäumen trainiert. Eine fünffache Kreuzvalidierung des Trainingssatzes bewertet die Stabilität: Das Modell wird an vier Falten angepasst und an der ausgehaltenen Falte bewertet, was fünfmal wiederholt wird, was eine durchschnittliche kreuzvalidierte Genauigkeit ergibt. Nachdem bestätigt wurde, dass die Kreuzvalidierungsleistung akzeptabel ist, wird das Modell auf dem gesamten Trainingssatz neu trainiert und einmal auf dem zurückgehaltenen Testsatz bewertet. Merkmalswichtigkeitswerte aus dem trainierten Wald zeigen, welche Gene die Klassen am stärksten unterscheiden. Die 20 am besten bewerteten Gene werden mittels KEGG- oder Reactome-Anreicherungsanalyse auf bekannte biologische Signalwege überprüft, um die mechanistische Plausibilität zu überprüfen. Dieser Arbeitsablauf wurde verwendet, um Multi-Gen-Prognosesignaturen für Brustkrebs-Subtypen zu entwickeln, wobei eine Gruppe von 50 Genen Patienten in Risikogruppen mit deutlich unterschiedlichen Überlebensergebnissen stratifizierte. Der gleiche Ansatz gilt für die Klassifizierung von Arzneimittelreaktionsphänotypen aus pharmakogenomischen Datensätzen und die Vorhersage pathogener Varianten anhand genomischer Merkmale.
Anwendungen
Überwachtes Lernen klassifiziert bakterielle Krankheitserreger mithilfe genomischer Marker in der Bakteriengenetik, sagt die Patientenprognose in der [Krebsbiochemie] voraus (/de/guides/cancer-biochemistry.html) und identifiziert differenziell exprimierte Gene aus DNA-Microarrays und Genexpression-Daten. Es unterstützt auch die klinische Entscheidungsunterstützung, indem es Patienten in Risikogruppen einteilt und regulatorische Elemente im gesamten Genom annotiert.
