AI4Bio-首届世界科学智能大赛：生命科学赛道——生物学年龄评价与年龄相关疾病风险预测 环境配置与baseline运行

背景知识&数据集

数据为健康人和患者的甲基化数据，每个样本包含多个甲基化位点的水平。甲基化水平会影响基因的表达，并且与个体年龄相关。

初赛的目标是构建能够评价样本生物学年龄的生物学时钟，属于回归任务。

• 健康样本的生物学年龄尽可能接近真实年龄。
• 患病样本的年龄高于真实年龄

公开数据包含10296个样本，训练集80%，每个样本提供485512个位点的甲基化数据。

患病样本的疾病涉及：Alzheimer’s disease，schizophrenia，Parkinson’s disease，rheumatoid arthritis，stroke，Huntington’s disease，Graves’ disease，type 2 diabetes，Sjogren’s syndrome等

	sample_id	age	gender	sample_type	disease
1	train10001	86	M	disease tissue	Alzheimer’s disease
2	train10002	89	M	disease tissue	Alzheimer’s disease
3	train10003	80	F	disease tissue	Alzheimer’s disease

traindata.csv : 大小为(8233, 485512)

评价指标

包含多个评价指标：

1. 健康MAE（mean absolute error）
   $${\mathrm{MAE}}_{control}=\frac{1}{N}\sum _i|y-\hat{y}|$$

2. 患病MAE
   $${\mathrm{MAE}}_{case}=\frac{1}{M}\left(\sum _i(\frac{|y-\hat{y}|}{2}\ast 1_{\hat{y}\ge y}+|y-\hat{y}|\ast 1_{\hat{y}<y})\right)$$

3. 疾病预测的$F_1-score$

   

   $$\begin{array}{l}{F}_1=\frac{2\ast P\ast R}{P+R}\\ P=\frac{TP}{TP+FP}\\ R=\frac{TP}{TP+FN}\end{array}$$

提交格式

• 第一行为sample_id, age
• 后续行输出sample_id，age，用逗号分隔，age保留两位

思路

特征很多，NaN也不少，需要特征设计。

先跑一下baseline试试。

配置阿里云

部署Pai-DSW

1. 打开阿里云，产品 > 人工智能与机器学习 > 机器学习平台PAI

2. 交互式建模DSW免费试用，领取就可

3. 需要先开通PAI并创建工作空间，创建结束后点进去就可以

4. 选择左侧的交互式建模DSW，点击创建实例，可能需要授权PAI，同意即可

5. 配置资源组，GPU选择V100；如果没有在当前工作空间内找到资源组的话，可能是没授权的原因

去授权DLC，然后进行关联

6. 刷新一下资源组，选择GPU规格 > V100，镜像选择torch1.12

7. 点击下一步，然后创建实例

8. 打开实例，控制台（Terminal）更新下apt-get

   apt-get update
   

9. 安装git

   apt-get install git-lfs
   git init
   git lfs insatll
   

10. 安装unzip，用来解压数据集

    apt-get install unzip
    

下载数据

使用Ossutil命令下载数据集

进入赛题首页 > 赛题与数据

可以看到数据集那里有Ossutil命令，点击并复制内网命令，拷入控制台运行即可，下载成功的话会提示Succeed。

上传baseline

下载baseline后，点击上传，把baseline传上去

解压数据

打开baseline文件，根据提示操作

• 新建ai4bio文件夹

• 解压数据，baseline里面这段代码好像缺失了，写个新的notebook补上（我这里路径和baseline里面不太一样）

跑一遍baseline并提交

参考：

• 《AI夏令营（第三期） - AI for Science 生命科学赛道》学习手册
• AI夏令营第三期 - 生物学年龄评价与年龄相关疾病风险预测教程
• 竞赛实践路线分享
• 阿里云DSW环境部署教程
• 阿里云机器学习Pai-DSW服务器部署教程
• 首届世界科学智能大赛：生命科学赛道——生物学年龄评价与年龄相关疾病风险预测