机器学习生物学应用教程
ML 方法不是万能,但它很擅长在高维 、有标签、需要预测的生信问题里给经典统计补位。本专栏把 ML 落到真实组学数据上,讲清楚什么时候用、怎么用、用错了会怎样。
01 数据集与任务定义
ML 教程不能用 set.seed + matrix(rnorm()) 模拟数据。模拟数据训出来的"分类器"准确率可以很漂亮,但生物学意义为零,模型一上真实数据立刻崩。本专栏全程用 4 套真实公开数据,这一篇教你下、读、为什么选它们,然后约定本专栏所有动手章节共用的目录结构。
02 特征矩阵构建
ML 模型不吃 raw counts。它要"特征 × 样本"的数值矩阵,已归一化、已批次校正、已分割。这一章把 TCGA-LIHC 374 样本从 HTSeq counts 一路处理到一份可以直接喂给 03 章特征选择的 5000 维标准化矩阵。
03 特征选择(5 法对比)
02 章把 60K 基因压到 5000 HVG,但喂给 LR / SVM 还是太多。这一章用 5 种主流方法进一步压到 50-200 个真正有判别力的基因,并用韦恩图找 5 法共识。
04 经典分类(LR / SVM / RF / XGBoost)
二分类是 ML 入门最直观的任务。这一章用 02 + 03 章产物训 4 种主流模型,对比 ROC / 混淆矩阵 / 特征重要性,把 caret 当统一接口让 4 算法在同一份数据上公平赛跑。下一章(05)讲完整评估,本章只关心"训出来"。
05 模型评估
04 章训出了 4 个分类器。这一章讲怎么"公平评估" — 不只是看 Accuracy,而是 5 个诊断视角组合起来。05 + 04 在 ml-classifier 工具里是同一份输出,本章给你读懂工具输出的报告所需的全部背景。
06 预后建模(LASSO Cox / RSF / XGBoost-Cox)
预后建模回答的不是"是不是肿瘤"(04 章二分类),而是"这个病人能活多久"。这本质是生存分析问题:有时间(time)、有事件(event,死亡 = 1 / 删失 = 0),目标是建模时间依赖的风险。
07 无监督亚型发现
04 章的分类问题假设你已经知道每个样本的标签(Tumor / Normal,响应 / 不响应)。本章面对的是相反的问题:你怀疑你的样本里藏着几个未知的生物学亚型,想用算法把它们找出来。这是无监督学习,本质是数据驱动的分群。
08 深度学习入门 — Autoencoder 表征
01-07 章全部用 R + 经典 ML。从这一章开始,进入 Python + PyTorch 深度学习路径。Autoencoder 是最朴素的深度学习模型,适合作为入门:它没有 label,没有"分类目标",只有一个朴素的目标 — 学一个低维表示,能重构出原始数据。
09 单细胞 ML — scVI 整合 + scANVI 自动注释
scVI(single-cell Variational Inference)是单细胞 ML 的代表方法。它结合了 08 章的 Autoencoder 思想 + 单细胞特有的 noise model(zero-inflated negative binomial,ZINB)+ batch effect 显式建模 + 概率分布输出,是单细胞整合的 SOTA 之一。
10 模型可解释性(SHAP)
04 章训出 AUC = 0.95 的模型,审稿人的下一个问题永远是:"为什么"。 SHAP(SHapley Additive exPlanations)是过去几年 ML 社区最广泛接受的可解释性框架,论文写起来漂亮、生信 reviewer 接受度极高。
11 模型上线 — 从代码到 API
01-10 章训了一堆模型,但都活在 R / Python 脚本里。要让别人用,要让临床医生在网页上输入数据看预测,要进 production,必须把模型变成 API。这一章讲 R Plumber + Python FastAPI 两条路径,以及上线必做的"模型卡"。