解锁生物医学未来：机器学习与深度学习算法的革命性应用

这张图表展示了生物医学研究中常用的算法及其具体应用，分为监督学习和无监督学习两大类。

监督学习

1. 机器学习：

- SVM（支持向量机）：用于癌症与健康分类（基因表达）。

- KNN（k近邻）：用于多分类组织分类（基因表达）。

- Regression（回归）：用于全基因组关联分析（SNP）。

- Random Forest（随机森林）：用于基于路径的分类（基因表达，SNP）。

2. 深度学习：

- CNN（卷积神经网络）：用于蛋白质二级结构预测（氨基酸序列）。

- RNN（循环神经网络）：用于序列相似性预测（核苷酸序列）。

无监督学习

1. Clustering（聚类）：

- Hierarchical（层次聚类）：用于蛋白质家族聚类（氨基酸序列）。

- K-means（k均值聚类）：用于按染色体聚类基因（基因表达）。

2. Dimensionality Reduction（降维）：

- PCA（主成分分析）：用于异常值分类（基因表达）。

- tSNE（t-分布随机邻域嵌入）：用于数据可视化（单细胞RNA测序）。

- NMF（非负矩阵分解）：用于聚类基因表达谱（基因表达）。

这些算法在生物医学研究中扮演着关键角色，帮助科学家从复杂数据集中提取有价值的信息，推动医疗技术的进步。