A comprehensive review of machine learning techniques for multi-omics data integration: challenges and applications in precision oncology

组学 精密医学 数据集成 背景(考古学) 计算机科学 人工智能 机器学习 生物标志物发现 数据科学 代谢组学 蛋白质组学 计算生物学 生物 生物信息学 数据挖掘 遗传学 古生物学 生物化学 基因
作者
Debabrata Acharya,Anirban Mukhopadhyay
出处
期刊:Briefings in Functional Genomics [Oxford University Press]
被引量:1
标识
DOI:10.1093/bfgp/elae013
摘要

Abstract Multi-omics data play a crucial role in precision medicine, mainly to understand the diverse biological interaction between different omics. Machine learning approaches have been extensively employed in this context over the years. This review aims to comprehensively summarize and categorize these advancements, focusing on the integration of multi-omics data, which includes genomics, transcriptomics, proteomics and metabolomics, alongside clinical data. We discuss various machine learning techniques and computational methodologies used for integrating distinct omics datasets and provide valuable insights into their application. The review emphasizes both the challenges and opportunities present in multi-omics data integration, precision medicine and patient stratification, offering practical recommendations for method selection in various scenarios. Recent advances in deep learning and network-based approaches are also explored, highlighting their potential to harmonize diverse biological information layers. Additionally, we present a roadmap for the integration of multi-omics data in precision oncology, outlining the advantages, challenges and implementation difficulties. Hence this review offers a thorough overview of current literature, providing researchers with insights into machine learning techniques for patient stratification, particularly in precision oncology. Contact: anirban@klyuniv.ac.in
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
zxr发布了新的文献求助10
刚刚
Ste发布了新的文献求助10
1秒前
2秒前
韭菜盒子完成签到,获得积分20
3秒前
3秒前
HongWei完成签到,获得积分10
6秒前
十公里发布了新的文献求助50
6秒前
充电宝应助WH采纳,获得10
6秒前
任性起眸完成签到,获得积分10
6秒前
金丝铁线完成签到,获得积分10
6秒前
唯有发布了新的文献求助10
6秒前
8秒前
风登楼完成签到,获得积分10
8秒前
8秒前
噶了完成签到,获得积分10
9秒前
我是老大应助medaW采纳,获得10
12秒前
15秒前
紫清发布了新的文献求助10
15秒前
16秒前
Mint发布了新的文献求助10
19秒前
踏山河完成签到,获得积分10
19秒前
英俊一刀完成签到,获得积分10
19秒前
黎_完成签到,获得积分10
20秒前
onecerise发布了新的文献求助10
22秒前
adds发布了新的文献求助10
23秒前
林星应助科研通管家采纳,获得20
23秒前
科研通AI2S应助科研通管家采纳,获得10
23秒前
不配.应助科研通管家采纳,获得10
23秒前
小二郎应助科研通管家采纳,获得10
23秒前
科研通AI2S应助科研通管家采纳,获得10
23秒前
天天快乐应助科研通管家采纳,获得10
23秒前
彭于晏应助科研通管家采纳,获得10
23秒前
科研通AI2S应助科研通管家采纳,获得10
23秒前
小马甲应助科研通管家采纳,获得10
23秒前
研友_VZG7GZ应助科研通管家采纳,获得10
23秒前
科研通AI2S应助科研通管家采纳,获得10
23秒前
23秒前
23秒前
大个应助科研通管家采纳,获得10
23秒前
Ava应助风登楼采纳,获得10
26秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3149289
求助须知:如何正确求助?哪些是违规求助? 2800391
关于积分的说明 7839862
捐赠科研通 2457980
什么是DOI,文献DOI怎么找? 1308158
科研通“疑难数据库(出版商)”最低求助积分说明 628456
版权声明 601706