MIT博士论文《用于临床实验和精准医学的机器学习》_tom soh

MIT博士论文《用于临床实验和精准医学的机器学习》

标题：Machine learning for clinical trials and precision medicine

创作者/贡献者：

Author/Creator
Liu, Ruishan, author.
Contributor
Zou, James, degree supervisor.
Soh, H. Tom, degree committee member.
Tse, David, degree committee member.
Stanford University. Department of Electrical Engineering.

内容：

机器习 (ML) 已广泛应用于生物医学和医疗保健。越来越丰富的医学数据和生物技术（例如下一代测序）的进步为在计算生物学和健康中使用 ML 提供了巨大的机会。

在这篇论文中，我从三个方面展示了我对这一新兴领域的贡献——使用大规模数据集推进医学研究，开发算法来解决生物学挑战，以及为新技术构建分析工具。

在第一部分中，我介绍了将 ML 应用于大规模真实世界数据的两项工作：一项用于临床试验设计，另一项用于精准医学。过于严格的资格标准一直是临床试验的主要障碍。在论文中，我介绍了一个强大的计算框架 Trial Pathfinder，这使得临床试验的包容性标准和数据评估成为可能。精准医学的一个关键目标是描述具有特定基因突变的患者对治疗的反应。在论文中，我使用大量真实世界的临床基因组学数据对突变治疗相互作用进行了系统的泛癌分析。

在第二部分中，我介绍了我在开发算法以解决生物挑战方面的工作——将多个数据集与子集对应信息对齐。在许多生物和医学应用中，我们拥有来自不同来源或领域的多个相关数据集，学习这些数据集之间的有效计算映射是一个重要问题。在论文中，我提出了一个端到端的最优传输框架，它有效地利用边信息来对齐数据集。

最后，我介绍了我为新技术开发分析工具的工作——空间转录组学和 RNA 速度。最近开发了基于高通量图像的转录组学方法，使研究人员首次能够在分子水平上在空间上解析基因表达变异。在论文中，我描述了一种通用分析工具，用于定量研究固定组织切片中基因表达的空间相关性。从单细胞 RNA-seq 推断 RNA 速度的最新进展为发育谱系和细胞动力学开辟了令人兴奋的新前景。在论文中，我介绍了一个原则性的计算框架，该框架扩展了 RNA 速度以量化系统级动力学并改进单细胞数据分析。
获取更多关于“RDKit”知识，请关注AIDD learning！
AIDD learning 便捷查看

便捷下载，请关注AIDD learning公众号 后台回复“jzyl”就可以获取论文下载链接