返回
Gaining biological insights through supervised data visualization
DOI:10.1038/s43588-026-00999-7.png)
摘要
En 中文
基于降维的可视化对于解释复杂生物数据至关重要。然而,t-分布随机近邻嵌入、均匀流形近似和投影以及Isomap等无监督方法仅反映主要数据结构,可能与下游分析目标或专家提供的注释不一致。现有的监督变体仅部分解决了这种不匹配,并引入了新的限制。本文提出RF-PHATE,一种监督可视化方法,通过整合专家知识来揭示与标签相关的结构,同时抑制无关变化。RF-PHATE使用随机森林学习特征与标签之间的关系,并将此信息转化为低维嵌入。RF-PHATE可处理大数据集,适用于分类和回归任务。我们通过四个案例研究展示了其应用,包括纵向多发性硬化数据、抗氧化效应的拉曼光谱测量、COVID-19患者结局以及带有模拟丢失的RNA测序数据。这些应用突显了RF-PHATE在增强可解释性、管理噪声和揭示有意义的生物结构方面的能力,表明其在改进数据探索和发现方面具有广泛潜力。本研究介绍了RF-PHATE,一种在保留数据结构的同时揭示生物模式的监督可视化方法,能够为多发性硬化、COVID-19及其他生物背景中的疾病进展提供见解。
期刊
IF:
18.3
论文数:
3.1K
被引数:
4.0K
机构
引用论文
Single-cell eQTL mapping identifies cell type–specific genetic control of autoimmune disease单细胞eQTL定位确定自身免疫性疾病的细胞类型特异性遗传控制
Science
IF0
Integrated immunovirological profiling validates plasma SARS-CoV-2 RNA as an early predictor of COVID-19 mortality
SCIENCE ADVANCES
IF12.5
The Impact of Supervised Manifold Learning on Structure Preserving and Classification Error: A Theoretical Study
IEEE ACCESS
IF3.6

