Bayesian Posterior Integration for Classification of Mass Spectrometry Data

Abstract

Las tecnologías de alto rendimiento actualmente tienen la capacidad de capturar información a escala global y específica para el transcriptoma, el proteoma y el metaboloma, así como para determinar los aspectos funcionales de estas biomoléculas. La promesa de integración de datos es que al utilizar estos flujos de datos dispares se puede desarrollar un modelo predictivo más preciso del fenotipo de interés identificando el mejor subconjunto de moléculas asociadas con el resultado. Sin embargo, en un espacio de decenas de miles de variables (p. Ej., Genes, proteínas), los enfoques de selección de características a menudo producen modelos sobreentrenados con poco poder predictivo. Además, los algoritmos de selección de características se enfocan típicamente en una única fuente de datos y no evalúan el efecto en los modelos de integración estadística descendentes. La integración de los resultados estadísticos Bayesianos ha demostrado ser un enfoque efectivo que optimiza el resultado de interés en el contexto de la probabilidad posterior integrada. Este capítulo demuestra que este enfoque puede mejorar la sensibilidad y la especificidad sobre rutinas simples de selección basadas en conjuntos de datos de alto rendimiento individuales generados a través de espectrometría de masas.