机器学习与深度学习应用

机器学习与深度学习应用

# 简化随机森林流程示意（数据划分）
import random

random.seed(42)
feats = [[random.random() for _ in range(4)] for _ in range(200)]
labels = [1 if sum(f) > 2 else 0 for f in feats]

def split(data, labels, ratio=0.8):
    n = int(len(data) * ratio)
    idx = list(range(len(data)))
    random.shuffle(idx)
    tr, te = idx[:n], idx[n:]
    return ([data[i] for i in tr], [labels[i] for i in tr],
            [data[i] for i in te], [labels[i] for i in te])

Xtr, ytr, Xte, yte = split(feats, labels)
print("训练/测试样本:", len(Xtr), len(Xte))
print("训练集正例占比: %.2f" % (sum(ytr) / len(ytr)))
​

机器学生物应用的常见陷阱包括数据泄漏、类别不平衡、外推域失效与可解释性不足。实践中建议优先建立强基线（如简单逻辑回归），再引入复杂模型，并用独立测试集与生物学验证确认结论。深度学习模型要重视超参数与训练的稳定性。理解模型选择与评估的边界，是把预测模型用于真实生物发现的前提。

特征工程与模型选择

机器学习在生物信息学中用于分类与回归任务，例如预测变异致病性、基因功能注释、药物响应、肿瘤分型。工作流包括特征构建、数据划分、模型训练与评估。特征从原始数据中提炼：序列特征（k-mer 频率、理化性质）、结构特征（结构域、二级结构）、表达特征（表达量、共表达）。数据划分必须防止泄漏——测试集不能参与特征选择与训练。交叉验证用于稳定评估模型性能。

经典模型包括逻辑回归、支持向量机、随机森林、梯度提升树，它们处理中小规模表格数据成熟且可解释性强。深度学习方法（卷积神经网络、循环神经网络、Transformer）适用于序列与图像类原始数据：CNN 捕捉序列局部 motif，循环网络与 Transformer 建模长程依赖。代表应用包括 AlphaFold（结构预测）、DeepVariant（变异检测）与单细胞数据的大规模降维聚类。评估指标（准确率、精确率、召回率、AUC）需结合类别不平衡选择。

# 简化随机森林流程示意（数据划分）
import random

random.seed(42)
feats = [[random.random() for _ in range(4)] for _ in range(200)]
labels = [1 if sum(f) > 2 else 0 for f in feats]

def split(data, labels, ratio=0.8):
    n = int(len(data) * ratio)
    idx = list(range(len(data)))
    random.shuffle(idx)
    tr, te = idx[:n], idx[n:]
    return ([data[i] for i in tr], [labels[i] for i in tr],
            [data[i] for i in te], [labels[i] for i in te])

Xtr, ytr, Xte, yte = split(feats, labels)
print("训练/测试样本:", len(Xtr), len(Xte))
print("训练集正例占比: %.2f" % (sum(ytr) / len(ytr)))
​

机器学习的"生物信息学应用谱"：分类、回归与聚类

机器学习（ML）在生物信息学中的应用已成标配，其"应用谱"值得掌握：监督学习（分类（疾病 vs 健康——基因表达/变异特征预测疾病状态；预测模型（诊断/预后）；回归（连续量的预测——药物响应、表达定量）——算法（逻辑回归、随机森林、梯度提升、支持向量机））；无监督学习（聚类（细胞类型聚类（单细胞）、样本分组（亚型发现）——K-means、层次聚类）；降维（PCA、t-SNE、UMAP——"高维数据的可视化与探索"））；以及深度学习（神经网络（多层感知机、卷积网络 CNN（图像——病理切片、基因组序列的图像化）、循环网络 RNN/Transformer（序列——DNA/RNA 序列建模——"Transformer 时代的序列模型"（Enformer 等））；以及自监督学习（预训练模型——DNA 语言模型（DNABERT、Nucleotide Transformer）——"序列的预训练表征"））。

机器学习的"生物信息学特有挑战"：小样本高维度（样本数十-数百 vs 特征上万——"过拟合的温床"——需要正则化、特征选择、交叉验证）；类别不平衡（疾病样本少——"少数类的建模"（重采样、代价敏感））；数据异质性（多组学、多中心——"批次与分布偏移"）；以及"可解释性"（生物学模型的"黑箱"问题——SHAP 值、注意力机制——"临床与生物学的可解释需求"）。做一个"ML 思维"练习：理解"特征工程 vs 表示学习"（传统 ML 需要人工特征（表达量、变异数）、深度学习自动学表示（序列的嵌入）——"表示学习是深度学习的核心优势"）；理解"模型评估的严谨性"（交叉验证、独立测试集、防止数据泄漏——"评估决定模型可信度"——"生物学发现的 ML 必须防止泄漏（如特征与标签的相关性泄漏）"）。机器学习与深度学习是"生物信息学的现代引擎"——从变异致病性预测到蛋白质结构预测到单细胞分析，ML/DL 方法正在重塑生物数据分析的方式。
回顾本节核心：ML 应用谱（分类/回归/聚类/降维）与深度学习（CNN/Transformer/预训练）；小样本高维、可解释性的挑战。ML/DL 是"生物信息学的现代引擎"——从变异致病性到结构预测到单细胞，AI 方法正在重塑生物数据分析。