生物学家掌握机器学习指南

（在生信菜鸟团这个公众号上看到的，自己在这里做一个总结，仅为自己学习方便）

参考文章：
A guide to machine learning for biologists
https://doi.org/10.1038/s41580-021-00407-0

作为生物学家，如何进行机器学习的学习
对生物数据建模的最大挑战是数据种类繁多。生物学家使用的数据包括基因和蛋白质序列、随时间推移的基因表达水平、进化树、显微镜图像、3D 结构和相互作用网络等。研究者在下图中，总结了针对特定生物数据类型的一些例子和重要注意事项：

数据可用性

生物学有些独特之处在于存在一些问题领域，并且这些领域的数据量非常大。一个例子是公共数据库（如 GenBank 和 UniProt）中相对丰富的生物序列数据，而关于蛋白质相互作用的可靠数据则更难获得。给定问题的可用数据量，对选择可以有效使用的技术有着深远的影响。当只有少量数据（数百或数千个示例）可用时，基本上需使用更传统的机器学习方法，因为这些方法更有可能产生稳妥的预测。当有较大数量可用时，人们可以开始考虑更高参数化的模型，例如深度神经网络。在监督机器学习中，还应考虑数据集中每个真实标签的相对比例，如果某些标签很少见，则机器学习需要更多数据才能工作。

数据泄露

尽管生物数据的规模和复杂性可能使它们看起来非常适合机器学习，但仍有一些重要的考虑因素需要牢记