[论文解读] Toward Scalable Machine Learning and Data Mining: the Bioinformatics Case

Faraz Faghri, Sayed Hadi Hashemi+4 more|arXiv (Cornell University)|Sep 29, 2017

Machine Learning in Bioinformatics参考文献 10被引用 5

一句话总结

本文识别并分析了生物信息学中最具影响力的机器学习与数据挖掘算法——涵盖分类、聚类、回归、图模型及降维方法——以指导可扩展计算专家在大规模生物数据计算与存储系统中优先优化算法目标。通过聚焦广泛使用且影响深远的方法，本研究倡导在设计面向计算生物学的大数据可扩展存储与计算系统时，应遵循‘优化常见情况’的原则。

ABSTRACT

In an effort to overcome the data deluge in computational biology and bioinformatics and to facilitate bioinformatics research in the era of big data, we identify some of the most influential algorithms that have been widely used in the bioinformatics community. These top data mining and machine learning algorithms cover classification, clustering, regression, graphical model-based learning, and dimensionality reduction. The goal of this study is to guide the focus of scalable computing experts in the endeavor of applying new storage and scalable computation designs to bioinformatics algorithms that merit their attention most, following the engineering maxim of "optimize the common case".

研究动机与目标

• 通过识别最具影响力的机器学习与数据挖掘算法，应对计算生物学与生物信息学中的数据洪流问题。
• 基于生物信息学中真实使用情况与影响力，指导可扩展计算专家优先优化算法目标。
• 通过聚焦分类、聚类、回归、图模型与降维等广泛采用的算法，应用工程学中的‘优化常见情况’原则。
• 弥合生物信息学研究需求与可扩展高性能计算基础设施设计之间的差距。

提出的方法

• 系统性地调研并分类生物信息学研究中使用性能最优的机器学习与数据挖掘算法。
• 聚焦于在多种生物信息学应用中广泛采用的算法，包括基因表达分析、序列分类与通路建模等。
• 分析算法的计算复杂度、可并行性与I/O模式等特性，以评估其在可扩展系统中的适用性。
• 强调优化最频繁使用的算法对于在生物信息学社区中最大化性能提升的重要性。
• 提出一种基于使用频率、计算强度及通过新型存储与并行计算设计实现加速潜力的算法目标优先级框架。

实验结果

研究问题

• RQ1 在生物信息学研究中，哪些机器学习与数据挖掘算法被最广泛使用且最具影响力？
• RQ2 可扩展计算专家如何优先选择算法目标，以在生物信息学生化应用中实现最大性能提升？
• RQ3 关键生物信息学算法的计算特性是什么，使其适合在分布式与并行系统中进行优化？
• RQ4 如何有效应用‘优化常见情况’原则，以设计面向生物信息学的可扩展存储与计算系统？
• RQ5 在生物学大数据背景下，未来可扩展系统开发中最具前景的算法类别是什么？

主要发现

• 本研究识别出分类、聚类、回归、基于图模型的学习以及降维是生物信息学中使用最频繁的核心算法类别。
• 这些核心算法承担了基因组学、转录组学与系统生物学中相当大一部分的计算工作负载。
• 作者证明，优化这些广泛使用的算法可为可扩展系统设计带来最高投资回报。
• 本文指出，迭代计算、稀疏数据处理与I/O密集型操作等算法模式在所识别的方法中普遍存在。
• 研究结果表明，未来可扩展基础设施的设计应充分考虑这些主导工作负载，以实现最大性能与效率提升。
• 本研究为系统设计者提供了路线图，使其能够将软硬件优化与生物信息学研究社区的实际需求对齐。