Ikhtisar
Pembelajaran yang diawasi menggunakan kumpulan data pasangan input-output, yang jawaban benarnya diketahui, untuk melatih model yang dapat memprediksi keluaran untuk masukan baru yang tidak terlihat. Dalam bioinformatika, paradigma ini secara alami memetakan masalah-masalah seperti mengklasifikasikan sampel jaringan sebagai kanker atau sehat, memprediksi apakah varian genetik bersifat patogen, atau menetapkan fungsi pada protein yang tidak memiliki karakteristik tertentu. Model ini mempelajari batas-batas keputusan yang memisahkan kelas-kelas dalam ruang fitur, dipandu oleh fungsi kerugian yang menghukum kesalahan prediksi.
Metode
Regresi logistik memodelkan probabilitas keanggotaan kelas dan tetap menjadi dasar klasifikasi biner, terutama ketika kemampuan interpretasi dihargai. Mendukung mesin vektor membuat pemisah hyperplane dengan margin maksimum dan bekerja dengan baik dalam pengaturan dimensi tinggi yang umum pada data omics. Hutan acak mengumpulkan banyak pohon keputusan yang dilatih berdasarkan sampel bootstrap dan menyediakan ukuran kepentingan fitur bawaan. Pohon yang meningkatkan gradien (XGBoost, LightGBM) memperbaiki kesalahan pendahulunya secara berulang dan sering kali memenangkan kompetisi data terstruktur. Jaringan neural dengan lapisan tersembunyi dapat mempelajari batasan non-linier yang kompleks, namun memerlukan lebih banyak data dan regularisasi yang cermat. Semua metode mendapat manfaat dari penyesuaian bobot kelas atau pengambilan sampel ulang ketika kelas tidak seimbang.
Protokol Praktis
Alur kerja pembelajaran praktis yang diawasi untuk klasifikasi ekspresi gen dimulai dengan memuat matriks ekspresi, dengan baris mewakili gen dan kolom mewakili sampel pasien. Data pertama kali dinormalisasi menggunakan penghitungan log-transformasi per juta (log-CPM) atau normalisasi kuantil. Kumpulan data tipikal mungkin berisi 20.000 fitur gen di 100 sampel, sehingga memerlukan validasi yang cermat. Peneliti membagi data menjadi set pelatihan (70%), validasi (15%), dan tes (15%) sambil mempertahankan proporsi kelas melalui stratifikasi. Pengklasifikasi hutan acak dengan 500 pohon dilatih di set pelatihan. Validasi silang lima kali lipat pada set pelatihan menilai stabilitas: model dipasang pada empat lipatan dan dievaluasi pada lipatan yang ditahan, diulangi lima kali, menghasilkan rata-rata akurasi validasi silang. Setelah mengonfirmasi bahwa performa validasi silang dapat diterima, model dilatih ulang pada set pelatihan lengkap dan dievaluasi satu kali pada set pengujian yang diadakan. Skor kepentingan fitur dari hutan terlatih mengungkapkan gen mana yang paling kuat mendiskriminasi kelas-kelas tersebut. 20 gen peringkat teratas diperiksa terhadap jalur biologis yang diketahui melalui analisis pengayaan KEGG atau Reactome untuk memverifikasi masuk akal mekanistik. Alur kerja ini telah digunakan untuk mengembangkan tanda prognostik multi-gen untuk subtipe kanker payudara, di mana panel yang terdiri dari 50 gen mengelompokkan pasien ke dalam kelompok risiko dengan hasil kelangsungan hidup yang berbeda secara signifikan. Pendekatan yang sama berlaku untuk mengklasifikasikan fenotip respons obat dari kumpulan data farmakogenomik dan memprediksi varian patogen dari fitur genom.
Aplikasi
Pembelajaran yang diawasi mengklasifikasikan patogen bakteri menggunakan penanda genom dalam genetika bakteri, memprediksi prognosis pasien dalam biokimia kanker, dan mengidentifikasi gen yang diekspresikan secara berbeda dari data microarray DNA dan ekspresi gen. Hal ini juga memperkuat dukungan keputusan klinis dengan mengelompokkan pasien ke dalam kelompok risiko dan memberi anotasi pada elemen peraturan di seluruh genom.
