Big Database

2021 年对机器学习分析的垂直数据集成的一般方法的小型回顾定义了五种不同的集成策略——早期、混合、中期、后期和分层——不仅基于底层数学，还基于包括它们的应用方式在内的多种因素。

以下是每种方法的简要介绍。

早期整合是一种简单且易于实施的方法，它将所有组学数据集连接成一个大型矩阵。这会增加变量的数量，而不会改变观测值的数量，从而产生一个复杂、嘈杂且高维的矩阵，从而忽略了数据集大小差异和数据分布。

混合集成解决了早 玻利维亚手机数据 期模型的局限性，方法是将每个组学数据集分别转换为新的表示形式，然后将它们组合起来进行分析。这种方法降低了噪音、维度和数据集异质性。

中间集成同时集成多组学数据集以输出多个表示，一个是通用的，一些是组学特有的。然而，由于数据异质性可能带来的问题，这种方法通常需要强大的预处理。

后期整合通过分别分析每个组学并结合最终预测，规避了组装不同类型组学数据集的挑战。这种多单组学方法无法捕捉组学间相互作用。

层次整合侧重于纳入不同组学层之间的先前调控关系，以便分析能够揭示跨层相互作用。虽然这一策略真正体现了跨组学分析的意图，但这仍是一个新兴领域，许多层次化方法侧重于特定的组学类型，因此不太具有普遍性。

对于多组学数据整合而言，概念方法的选择余地并不大——每种方法在吞吐量、性能和准确性方面都有各自的范围和局限性——这是下游分析和生物创新的最大瓶颈之一。

研究人员通常将更多时间花在繁琐的数据处理和争论上，而不是提取知识和新见解上。此外，大多数传统的数据整合方法似乎都涉及某种形式的妥协，涉及高通量多组学数据的完整性或实现真正的跨组学分析。

必须有一种新方法来进行多组学数据整合，该方法可以：1）实现所有组学和非组学数据的一键整合；2）在不同的调控数据集之间的相关性和关联方面保持生物学一致性，以便在过程中进行综合多组学分析。