经典统计方法与机器学习方法在就绪度分类上的比较

《Bioinformatics》：Comparison of classic statistical methods and machine learning approaches to classify readiness

　　

摘要

研究动机

预测作战人员的身体和认知准备状态对任务成功至关重要。通过使用多种组学技术识别关键生物标志物，可以改善这些预测。McKetney 及其同事进行的 MASTR-E 研究是对从作战人员收集的唾液样本进行的最全面的多元组学研究之一，该研究还应用了经典线性统计 (CLS) 技术来发现准备状态的关键生物标志物。与 McKetney 等人的假设一致，我们将准备状态操作化为二元代理，其中任务前样本被标记为“准备就绪”，以反映休息良好、无压力的生理基线，而任务后样本被标记为“未就绪”，以反映任务带来的累积身体和认知负荷。因此，这里的准备状态不是一个直接生物或生理构念，而是一种推断状态，可能主要由压力相关的生理变化主导。这一假设和定义将在引言和局限性部分进一步讨论。在此，我们应用机器学习 (ML) 分析以更好地评估泛化能力，考虑隐藏交互作用，并识别数据中的非线性模式。我们调查了 ML 方法是否能预测准备状态并识别相关生物标志物。ML 模型仅基于蛋白质组学或仅基于代谢组学的数据集进行训练，以将参与者分类为准备就绪或未就绪，并将重要的模型特征视为推定的生物标志物。训练和测试数据集的整理旨在实现两个目标：1) 在同一供体内部识别指示准备状态的生物分子特征；2) 通过保留供体进行测试来评估在作战人员之间的泛化能力。

结果

基于蛋白质组学的模型在目标 1 和目标 2 上分别实现了 0.907±0.034 和 0.860±0.063 的 AUC 值。基于代谢组学的模型在目标 1 上实现了 0.994±0.007 的 AUC 值，在目标 2 上实现了 0.993±0.010 的 AUC 值。与现有文献的比较分析验证了模型的特征重要性，但识别出的推定生物标志物与通过 CLS 分析发现的那些显著不同，因为只有一个 ML 识别出的生物标志物与通过 CLS 方法识别出的生物标志物重叠。我们证明，与使用 CLS 方法识别的那些相比，这些 ML 模型和识别出的特征对噪声更具鲁棒性，并且在参与者之间具有更好的泛化能力。

可用性

分析流水线以 Jupyter 笔记本的形式提供，包括所有代码和文档，并公开提供在 GitHub 上，地址为 {{https://github.com/netrias/ReadinessClassification}}。

补充信息

补充数据可在 Bioinformatics 在线获取。