예측 건강 분석을 위한 머신러닝 기반 다중 모달 분자 바이오마커

요약

다중 모달 바이오마커를 이용한 머신러닝은 질병 예측과 모니터링을 향상시키며, 다양한 분야에서 의료 발전을 기대하고, 정확한 질병 예측을 통해 의료 결과를 개선합니다.

초록

매년 전 세계적으로 많은 사람들이 심장병, 호흡기 감염, 신경 기능 장애, 인지 스트레스, 암, 뇌졸중, 당뇨병 등과 같은 심각한 건강 문제로 점차 영향을 받고 있으며, 이는 심각한 건강 합병증과 관련 이상으로 이어집니다. 따라서 조기 건강 분석은 표적 치료로 적시에 개입할 수 있게 하여 즉각적인 완화와 지속적인 장기적 이익을 제공하여 질병 진행을 늦출 수 있는 중요한 도구입니다. 복잡한 병태생리학적 과정과 다양한 건강 상태에서의 이질적인 임상시험으로 인해, 환자의 건강 결과를 정확히 감지하고 모니터링하기 위해 매우 민감한 다중 모달 바이오마커와 효과적인 조사 접근법이 필요합니다. 따라서 예후, 위험 평가, 환자 계층화, 질병 모니터링 등 다양한 범주와 기법을 가진 머신러닝 알고리즘이 결과 예측에 고려됩니다. 제안된 작업의 흐름은 세 단계로 나뉘는데, 첫 번째 단계는 사례 연구를 통해 의료의 중요성을 정의하고, 두 번째 단계는 전통적인 머신러닝(ML) 알고리즘, 전통적인 딥러닝(DL) 접근법, 그리고 현대 딥러닝 기법(TabNet과 AutoInt)입니다. 마지막으로, 실험이 결과를 정당화하기 위해 구현됩니다. 이 연구는 분자 단백질, 화학, 유전 바이오마커를 신흥 ML 특징과 통합하여 모달리티를 그룹화하는 방식을 강조합니다. 결과는 제안된 방법론을 사용한 정확도 예측에서 상당한 향상을 나타냅니다.

서론

의료 시스템은 점점 더 예측 분석을 활용해 환자를 모니터링하고 건강 결과를 적시에 진단함으로써 선제적 치료를 촉진하고 환자 결과를 개선하고 있습니다. 예측 분석과 바이오마커를 통합함으로써 임상의는 진단 정확도를 높이고, 효과적인 치료법을 식별하며, 치료 진행 상황을 모니터링하고, 질병 기전에 대한 귀중한 통찰을 얻어 궁극적으로 더 현명하고 효과적인 치료 결정을 내릴 수 있습니다. 바이오마커는 생물체유체, 조직, 세포, DNA, RNA, 혈액, 소변 등 샘플에서 발견되는 생물학적 분자 또는 지표의 특성을 의미하며, 인체 내 질병의 존재 또는 진행을 측정^{하여 치료의} 효과를 평가하는 데 도움을 줍니다.

분자 바이오마커의 적용 진전은 특정 분자를 정밀하게 측정하여 환자의 독특한 건강 문제를 식별함으로써 초기 단계부터 표적 치료 전략을 가능하게 함으로써 맞춤형 의학에서 중요한 역할을 합니다^. 앞으로 멀티모달 접근법은 복잡한 질병 양상의 여러 모달리스를 통합하는 데 도움을 주어, 첨단 예측 분석 기법을 통해 암 및 신경퇴행성 질환에서 질병 예후를 보다 정확하게 식별할 수 있게 할 것입니다

프로토콜

1. 실험적 워크플로우

그림 1 은 기계 학습과 딥러닝 기법을 활용해 분자 바이오마커를 위험 또는 진단 적응증 범주로 분류하기 위해 설계된 조직적이고 모듈화된 워크플로우 파이프라인을 보여줍니다. 다음은 과정에 대한 자세한 단계별 설명입니다:

1. 데이터셋 획득
   이 데이터셋은 분자 바이오마커를 엄선한 데이터베이스인 MarkerDB 2.0에서 수집한 것입니다.
2. 데이터 전처리
   이 방법은 null 값과 누락된 항목을 처리하고, 범주적 특징을 LabelEncoder로 인코딩하며, 수치 특징(예: entrez_gene_id)을 StandardScaler로 스케일링하여 데이터 품질과 일관성을 보장합니다.
3. 특징 공학
   바이오마커 분류에 영향을 미치고, 데이터 유출을 방지하며, 모델 성능을 향상시키는 관련 특징을 선택하는 것이 권장됩니다.
4. 모델 개발
   사용되는 접근법은 Logistic Regression, Random Forest, XGBoost이며, DL에서는 MLP, LR 스케줄러가 포함된 MLP, AutoInt, TabNet....

결과

실험들은 ML과 DL 접근법을 사용하여 성능을 비교합니다. 동시에 지도 학습 메커니즘과 비지도 학습 메커니즘을 모두 활용하는 머신러닝 모델 생성도 고려됩니다. 이 방법론에서 사용되는 감독 기법은 로지스틱 회귀, 결정 트리, 랜덤 포레스트, 그라디언트 부스트, 지지 벡터 머신, K-근접 이웃 알고리즘입니다. 이 알고리즘들은 단순한 통계 모델부터 복잡한 트리 기반 분석까지 다양합니다. 반면, 지도되지 않은 ML 알고리즘으로는 K-평균 클러스터링, DBSCAN 클러스터링, 그리고 집적 클러스터링 기법이 있습니다. 반면, 사용되는 딥러닝 기법은 단순 MLP, MLP + 배치 정규화 + 조기 정지, 와이드 및 딥 네트워크(표형 하이브리드), 그리고 학습 속도 스케줄러가 포함된 MLP(고급 버전)입니다. 결과 분석을 하기 전에, 모델 기반, 순열 중요도, SHapley 가법 설명(SHAP) 및 국소 해석 가능한 모델 비구애적 설명(LIME) 접근법을 사용하여 특징 중요도를 계산합.......

토론

제안된 연구는 질병과 그 특성의 식별과 모니터링에서 바이오마커의 중요성을 명확히 논의합니다. 바이오마커 방법론에 대한 제안된 접근법은 네 가지 필수 단계에 기반합니다: 신중한 데이터 준비(정제, 인코딩, 식별자 제거); 균일한 타겟 인코딩(Risk=0, Diagnostic=1); AutoInt³⁷/TabNet과 같은 모델의 특징 정규화 및 고품질 딥 메베딩; 그리고 견고한 평가 과정의 무결성(적절한 훈련/시험 분할, 정확한 지표 보고)을 포함합니다. 더 나아가, 유전자를 이용한 질병 적응증은 ML 및 DL 알고리즘의 지원을 받아 예측되었습니다. 가장 일반적으로 사용되는 ML 알고리즘이 데이터셋에 구현되었으며, 알고리즘과 데이터셋의 조정 및 효율성은 위 섹션의 결과와 일치하였습니다. 또한, MLP²⁹, TabNet, AutoInt 외에도 새로운 DL 모델들이 데이터셋과 함께 분석되었고,.......

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
AutoInt 모델	베이징대학교	https://github.com/shichence/AutoInt	자기 주의 신경망을 통한 자동 특징 상호작용 학습: (희소한) 범주형 및 수치 특징에 대한 고차 특징 상호작용을 자동으로 학습하는 효율적인 알고리즘
deepctr_torch.모델	오픈 소스	https://github.com/shenweichen/DeepCTR-Torch	모듈러 및 확장 가능한 딥러닝 기반 CTR 모델 패키지로, 자체 맞춤형 모델을 쉽게 구축할 수 있습니다.
구글 코슬라버러토리	구글	https://colab.research.google.com/	클라우드 기반  머신러닝, 데이터 분석을 위해 브라우저를 통해 Python 코드를 작성하고 실행할 수 있는 환경을 제공합니다
케라스 2.6.0	케라스	https://keras.io/	Tensorflow 위에서 실행되는 신경망 실행용 Python 인터페이스를 제공합니다
마커DB 2.0	마커DB	https://markerdb.ca/downloads	공개 접근 가능한 분자 바이오마커 데이터베이스
MatplotLib 3.4.3	Matplotlib	https://matplotlib.org/	파이썬용 시각화 라이브러리
넘피 1.21.4	넘피	https://numpy.org/	파이썬을 이용한 과학 컴퓨팅을 위한 기본 패키지
판다스 1.3.4	판다	https://pandas.pydata.org/	파이썬 프로그래밍 언어 위에 구축된 강력하고 유연하며 사용하기 쉬운 오픈 소스 데이터 분석 및 조작 도구입니다.
파이썬 3.8.10	파이썬 소프트웨어 재단	https://www.python.org/	딥러닝 시스템을 보다 효과적으로 통합하는 인기 있는 프로그래밍 언어입니다.
pytorch_tabnet.tab_model	파이토치	https://pypi.org/project/pytorch-tabnet/	이진/다중 클래스 분류 및 회귀 문제를 구현하기 위해.
Scikit-learn	Scikit-learn	https://scikit-learn.org/stable/	머신러닝 알고리즘용 파이썬 모듈
씨본	씨본	https://seaborn.pydata.org/	매력적이고 유익한 통계 그래픽을 그리기 위한 고급 데이터 시각화 라이브러리
탭넷 모델	구글	https://github.com/dreamquark-ai/tabnet	TabNet은 표 형태의 데이터를 직접 처리하도록 설계된 종단 간 신경망입니다
텐서플로우 2.6.0	구글	https://www.tensorflow.org/	머신러닝을 위한 종단 간 플랫폼