Metis平台使用:从特征选择到模型建立

生物信息学的发展除了受益于高通量实验设备之外，计算能力的不断提升和新的算法的应用也功不可没。就目前阶段而言，机器学习技术已经在生物信息学领域得到了越来越多的应用。但机器学习需要的技术门槛相对较高，尤其是对于第一次解除相关领域的广大临床和科研用户而言，想要通过手中已有数据，构建一个简单的机器学习模型，往往需要从头学习一遍Python或R等编程语言。

鉴于此，极道科技针对机器学习的需求，开发了Metis平台，以满足用户的使用需要。对于基础用户而言，可以通过Metis的应用界面可以轻松完成数据可视化、特征筛选、模型构建与分布式部署、分析流搭建等操作。对于高级用户而言，也可以通过Python 客户端调用相关功能，加速分析效率。

下面就通过一个生物信息学实际应用实例为读者介绍Metis平台的使用方式。

1. 背景概述

1.1 TCGA 项目

乳腺癌作为女性高发癌种之一，在近年来的其发病机制、标志物发掘、治疗手段等各方面研究，已经取得了很大进展。癌症基因组图谱计划(The Cancer Genome Atlas :TCGA),也相应的披露了，针对乳腺癌的不同类型测序数据，以及相关临床信息、治疗信息等。该项目起始于2006年，其数据的质量和数据的完整程度，已经受到了癌症研究领域的广泛认可。

1.2 Metis 平台

Metis平台是由极道科技开发的，分布式机器学习计算平台。用户可以通过该平台轻松实现数据可视化、数据筛选、模型构建、分析流搭建等操作。

2. 数据集描述

本次分析选取TCGA数据集中乳腺癌的RNA表达量作为自变量以及样本是否为癌症组织样本作为响应变量。过滤掉存在缺失值的数据后，共保留样本XXX个——及行数，作为特征的基因表达量作XXX列。该数据集反应了高通量技术手段下，生物信息大规模数据挖掘的一个主要问题，即样本数量一般而言远远小于特征数量。而特征中有明确作用的其实只占很少的比例，绝大部分特征可以忽略。

因此，在构建模型之前需要通过一定的手段对特征变量进行筛选。

3. 分析概述

3.1 特征选择

一般意义上的特征选择方法较多，对于特征数量相对较少的情况，通常可采用数据可视化的方式对特征情况进行直观地可视化展示，再进一步进行筛选。而对于生物信息数据而言，大规模的数据可视化展示反映的信息相对有限，而选择标准也难以确定。因此该方法并不是最主要的方式。

LASSO回归作为线性模型的一个实例，其约束条件决定了会排除无关变量。因此广泛应用于特征变量的选择上。

其中较为关键的参数包括

除了LASSO回归之外，原则上也经常应用随机森林方式进行变量筛选，在此不再赘述，今后会陆续向广大读者进行介绍。

3.2 特征选择

上述操作完成后，得到了效应值不为0的特征即为备选特征。通过Metis中特征选择，可以直接对特征进行选择后，构建新数据集用于进一步模型构建。

3.3 模型构建

特征选择完成后，即可根据新数据集通过深度学习算法构建模型。在Metis平台上，用户可以实现目前绝大多数的机器学习算法，并且可以实现同一数据集，同时构建不同算法背景的模型。

例如对上面的数据集，可以采用三种不同的深度学习算法，进行模型构建，并实现模型之间比较。

4. 小结

通过上面的例子，初步展示了基于Metis 平台的生物信息数据机器学习模型构建过程。今后，我们会围绕着Metis平台的其他功能，进一步向各位读者介绍生物信息学数据机器学习相关案例。欢迎各位与我们进行交流讨论。