【机器学习】生物信息学中常见的数据预处理方法

1 Softmax标准化

Softmax是一种数学函数，通常用于将一组任意实数转换为表示概率分布的实数。其本质上是一种归一化函数，可以将一组任意的实数值转化为在[0, 1]之间的概率值，因为softmax将它们转换为0到1之间的值，所以它们可以被解释为概率。

$$Softmax(x_i)=\frac{e^{x^i}}{{\sum }_{j=1}^k{e}^{x^j}}$$

优点：

• 生成概率分布：Softmax标准化将原始分数转换为概率分布，使得每个类别的输出都可以解释为该类别的预测概率。
• 可解释性强：由于Softmax标准化的输出是概率值，因此对于分类任务，可以清晰地解释每个类别的相对重要性。
• 可微分性：Softmax函数是连续可微的，这使得它可以与梯度下降等优化算法一起使用，用于训练神经网络等模型。

缺点：

• Softmax标准化计算涉及指数运算，当输入数据量很大时，可能会导致数值稳定性问题，增加计算成本和时间。
• 类别间相关性：Softmax标准化假设各个类别之间是独立的，但实际情况下，类别之间可能存在相关性，这可能会导致Softmax标准化的输出存在一定的偏差。
• 容易受到异常值的影响：Softmax标准化对异常值敏感，因为它是基于输入数据的原始分数进行归一化的。如果输入数据中存在异常值，可能会影响Softmax标准化的输出结果。

2 Z-Score标准化

Z-Score标准化是数据处理的一种常用方法。通过它能够将不同量级的数据转化为统一量度的Z-Score分值进行比较。

$$Z=\frac{x-\mu }{\sigma }$$
式中：X为原始数据；μ为均值; σ为标准差。

优点：

• 简单，容易计算，凭借最简单的数学公式就能够计算出Z-Score并进行比较。
• 消除量级给分析带来的不便。
  缺点：
• 估算Z-Score需要总体的平均值与方差，这一值在真实的分析与挖掘中很难得到，大多数情况下是用样本的均值与标准差替代。
• Z-Score标准化假设数据符合正态分布，但实际上即使数据不符合正态分布，它仍然可以起到一定的标准化效果。然而，对于高度偏斜或不对称的数据分布，Z-Score标准化可能不是最佳选择。
• Z-Score消除了数据具有的实际意义，A的Z-Score与B的Z-Score与他们各自的分数不再有关系，因此Z-Score的结果只能用于比较数据间的结果，数据的真实意义还需要还原原值。
• 如果两组样本集的类型比例不一样，scale会带来bias。

3 Normalize标准化

每行的的总和加起来为一个确定数值，这里使用target_sum设为7.5

4 Log标准化

对数转换X = In(X + 1)

5 Scale标准化

对特征标准化，使得均值为0，方差为1。

6 RPKM标准化

RPKM（Reads Per Kilobase of transcript, per Million mapped reads）是常用的基因表达量标准化方法。

RPKM计算方法：

• 读取计数（Reads Count）：计算每个基因的测序读取数。
• 基因长度标准化：将每个基因的读取数除以该基因的长度（以kb为单位）。这一步用于校正基因长度对读取数的影响。
• 测序深度标准化：将步骤2的结果除以样本中总的映射读取数（以百万为单位）。这一步用于校正测序深度对读取数的影响。
  

7 TPM标准化

TPM（Transcripts Per Million）是常用的基因表达量标准化方法。

TPM计算方法：

• 读取计数标准化：首先将每个基因的读取数除以该基因的长度（以kb为单位），类似于RPKM的第一步。
• 计算所有基因的标准化读取数的总和。
• 比例标准化：将每个基因的标准化读取数除以步骤2中的总和，并乘以10^6。这样可以确保TPM的总和在每个样本中都是百万级的，便于跨样本比较。