[论文解读] GenoML: Automated Machine Learning for Genomics

Mary B. Makarious, Hampton L. Leonard+15 more|arXiv (Cornell University)|Mar 4, 2021

Machine Learning and Data Classification参考文献 10被引用 8

一句话总结

GenoML 是一个开源的 Python 软件包，可自动化基因组学和多组学数据的端到端机器学习工作流程，使非专家用户能够以极少的代码完成数据预处理、模型调优、评估和部署。它通过智能默认设置、模块化设计和开放科学原则，简化了可重复、透明且由社区驱动的基因组学研究。

ABSTRACT

GenoML is a Python package automating machine learning workflows for genomics (genetics and multi-omics) with an open science philosophy. Genomics data require significant domain expertise to clean, pre-process, harmonize and perform quality control of the data. Furthermore, tuning, validation, and interpretation involve taking into account the biology and possibly the limitations of the underlying data collection, protocols, and technology. GenoML's mission is to bring machine learning for genomics and clinical data to non-experts by developing an easy-to-use tool that automates the full development, evaluation, and deployment process. Emphasis is put on open science to make workflows easily accessible, replicable, and transferable within the scientific community. Source code and documentation is available at https://genoml.com.

研究动机与目标

• 应对基因组学中对可访问机器学习日益增长的需求，降低非专业人士的技能门槛。
• 自动化复杂的基因组学机器学习工作流程，包括数据清洗、预处理、质量控制和模型调优。
• 通过开源、社区驱动的开发模式，促进基因组学研究的可重复性和透明度。
• 实现与现有科学 Python 生态系统的无缝集成，并支持在临床和研究环境中的部署。
• 超越自动化机器学习（AutoML），构建更广泛的工具生态系统，涵盖遗传学、联邦学习、模型共享和临床部署。

提出的方法

• 利用成熟的开源 Python 库（例如 scikit-learn、XGBoost、PyTorch）构建模块化、可扩展的自动化机器学习框架。
• 采用分层架构设计，将数据处理、建模和部署组件解耦，以提升可维护性和可扩展性。
• 基于对输入数据类型和特征的系统性评估，实现智能默认配置。
• 通过贝叶斯优化和集成策略，实现超参数自动调优和模型选择。
• 通过开放 API 和遵循 Apache 2.0 许可证，支持与外部系统和平台的互操作性。
• 引入社区驱动的开发模式，包含行为准则和开放贡献机制，以确保包容性和可持续性。

实验结果

研究问题

• RQ1 自动化机器学习如何有效适应基因组学和多组学数据的独特挑战？
• RQ2 哪些设计原则可使非专家用户在技术能力有限的情况下完成复杂的基因组学机器学习工作流程？
• RQ3 如何在机器学习框架中嵌入开放科学实践，以确保透明度、可重复性和社区协作？
• RQ4 哪些架构模式可支持可扩展性，并与现有科学软件生态系统实现集成？
• RQ5 如何将自动化机器学习系统扩展至模型训练之外，涵盖部署、模型解释和基因组学中的联邦学习？

主要发现

• GenoML 有效自动化了从原始输入到经验证、可部署模型的完整机器学习流程，用户干预极少。
• 该框架的智能默认设置显著减少了对专家调优的依赖，同时在多种基因组学数据集上保持了高性能。
• 分层的模块化架构支持独立更新和扩展，而不会破坏现有工作流或依赖关系。
• GenoML 支持与主流科学 Python 库的集成，并与现有的数据科学和生物信息学工作流兼容。
• 该项目已发展为一个活跃的开放科学社区，拥有持续的贡献，并制定了扩展至联邦学习、模型共享和临床部署的路线图。
• 该开源、采用 Apache 2.0 许可证的框架确保无供应商锁定，支持在研究和临床环境中的广泛采用。