Ich werde einen ML-Klassifikator für die Vorhersage von Krebs-Subtypen anhand von Genexpressionsdaten erstellen

Hast du gelabelte Genexpressionsdaten und brauchst

einen Machine-Learning-Klassifikator, um Krebs-

Subtypen oder Patientenergebnisse vorherzusagen?

Ich erstelle eine komplette ML-klassifikationspipeline

maßgeschneidert für dein Genom-Datensatz.

WAS DU BEKOMMST:

- Datenvorverarbeitung und Normalisierung

- Merkmalsauswahl, um die informativsten Gene zu identifizieren

- Vergleich verschiedener Algorithmen (Random Forest, SVM,

 Gradient Boosting, KNN)

- Kreuzvalidierungsgenauigkeit

- Verwirrungsmatrix und Klassifikationsbericht

- Visualisierung der Feature-Importance

- Produktionsfertiges, gespeichertes Modell

MEINE ERFAHRUNG:

Ich habe einen Brustkrebs-Subtyp-Klassifikator auf Genexpressionsdaten erstellt, der eine

Kreuzvalidierungsgenauigkeit von 85,2 % mit SVM erreicht hat. Es wurden 4 Subtypen klassifiziert:

LuminalA, LuminalB, HER2, TripleNegative.

Vollständige Pipeline auf GitHub.

WAS ICH VON DIR BRAUCHE:

- Genexpressionsmatrix (Proben x Gene)

- Subtyp- oder Outcome-Labels für jede Probe

- Anzahl der zu prognostizierenden Klassen

- Bekannte wichtige Gene oder Wege

TOOLS: Python, scikit-learn, Pandas, numpy,

    matplotlib, seaborn, joblib, Linux, Git