文件名称：VariantSpark：针对基因组变体的机器学习
文件大小：41.41MB
文件格式：ZIP
更新时间：2024-02-19 12:23:08
emr aws bioinformatics gwas genome
变形火花 variant-spark是可扩展的工具包，用于针对GWAS之类的数据集优化的全基因组关联研究。 机器学习方法，尤其是随机森林（RF），是全基因组关联研究（GWAS）中标准单SNP分析的有希望的替代方法。 射频（RF）提供了可变重要性度量，可以根据其预测能力对SNP进行排名。 尽管有许多现有的随机森林实现方式可用，有些甚至是并行或分布式的，例如：Random Jungle，Ranger或SparkML，但大多数都没有经过优化以处理GWAS数据集，该数据集通常带有数千个样本和数百万个变量。 目前， variant-spark提供了基本功能，可用于建立随机森林模型和使用均值降低基尼方法估算变量重要性，并且可以在VCF和CSV文件上运行。 未来的扩展将包括对其他重要指标，变量选择方法和数据格式的支持。 variant-spark利用一种新颖的方法从转置表示中的数据构建随机森林，从而使其能够有效处理甚至非常宽的GWAS数据集。 此外，由于最常见的基因组变体调用VCF并使用转置表示，因此变体火花可以直接与VCF数据一起使用，而无需其他工具进行昂贵的预处理。 variant-s