🧬
AI+生命科学：年龄评价与相关疾病风险预测

用户2838

用户480

用户896

用户5694

2023年8月5日创建

6361

8456

学习任务

任务一：

阅读赛题信息，理解赛题解题思路

跑通机器方法Baseline，获得自己的成绩

3.
提交任务一打卡，查看个人成绩排行榜​

任务二：

精读Baseline各个章节

2.
尝试数据探索性分析与数据预处理的实验​

3.
尝试探索构造不同特征，比较特征重要性​

4.
提交任务二打卡，查看个人成绩排行榜​

任务三：

进阶实践二选一

阅读特征优化章节，尝试对比实验

阅读模型融合章节，尝试对比实验

2.
完成实验题，探索最优特征与最优模型，冲击Top​

3.
提交任务三打卡，查看个人成绩排行榜​

首届世界科学智能大赛 - AI + 生命科学

💡

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：​

https://tianchi.aliyun.com/s/6a1351ecd2a3987995a7bda7f62542d2

举办方：复旦大学，阿里云，中国电信，中国信通院

赛题背景

生物学年龄评价是一种通过测量和分析生物体内特定指标或生理过程的状态，以评估个体的生理年龄和健康状况的方法。与传统的日历年龄相比，生物学年龄可以提供更准确的健康评估和疾病风险预测。随着 AI 技术的不断发展，计算科学与生命科学的整合与发展将为健康管理应用开发、衰老机制研究、抗衰老药物研发提供前沿的思路与方法。基于上述背景，我们举办基于甲基化测量数据预测生物学年龄的比赛。​

这项比赛将结合计算科学和生命科学的发展，为健康管理应用的开发、衰老机制的研究以及抗衰老药物的研发提供前沿的思路和方法。传统的日历年龄只提供了时间上的度量，而生物学年龄则更加关注个体的生理状态和功能。通过测量和分析生物体内的特定指标或生理过程的状态，我们能够更准确地评估个体的生理年龄和健康状况，这对于健康管理和疾病风险预测至关重要。参赛者可以利用甲基化测量数据来预测生物学年龄。本次比赛将为研究人员和开发人员提供机会，合作解决生物学年龄评估中的挑战，并推动相关领域的进步。最终的目标是提供更精确、可靠和个性化的生物学年龄评估工具，为人们的健康管理和抗衰老策略提供有力支持。​

赛事任务

本次比赛提供健康人和年龄相关疾病患者的甲基化数据，期待选手通过分析甲基化数据的模式和特征建立预测模型，可以根据某个人的甲基化数据来预测其生物学年龄。​

赛题数据集

公开数据包含10296个样本，其中7833个样本为健康样本。每一个样本提供485512个位点的甲基化数据、年龄与患病情况。抽取80%作为训练样本，20%作为测试样本。​

以训练集为例，一共包括8233样本，其中健康样本6266个，其余为患病样本，共涉及Alzheimer's disease，schizophrenia，Parkinson's disease，rheumatoid arthritis，stroke，Huntington's disease，Graves' disease，type 2 diabetes，Sjogren's syndrome等类型。​

评价指标

本次任务采用多个指标来进行评测，初赛和复赛评价指标有差异，作为本次教程仅介绍初赛评价指标。初赛是将两个指标（健康样本MAE和患病样本MAE）进行计算，取平均得到最终分数。​

common.docs_name - LarkCCM_Docs_Menu_Image

解题思路

本题初赛任务是预测样本年龄，属于典型的回归问题，输入数据为每一个样本对应的485512个位点的甲基化数据与患病情况，输出为样本对应年龄。​

可以看到所提供的特征纬度非常高（485512维），可以考虑基本的特征选择，比如考虑覆盖率、相关性、特征重要性等。或者仅使用部分特征，快速跑通流程，后续在考虑如何添加更多特征，也是一个不错的选择。​

模型方面可以选择机器学习模型或深度学习模型，如果使用类似xgboost这类机器学习模型，是不需要进行缺失值填充和数据标准化操作的，效果比较稳定。如果选择深度学习模型，则要进行缺失值填充和数据标准化操作，网络搭建也需要更多的尝试。​

鉴于上面的对比，我们Baseline选择使用机器学习方法，在解决机器学习问题时，一般会遵循以下流程：​

画板

Baseline实践

刚刚我们完成了基本的问题分析，接下来会带领大家跑通数据探索、数据清洗、特征工程、模型训练、模型验证、结果输出的全部竞赛实践流程。​

任务1：云环境配置与数据下载

介于本赛事的数据规模比较庞大，推荐大家使用赛事官方推荐的阿里云的云环境，提供免费V100与A10算力，可以快速跑通全流程​