面向生物医学研究中可及且符合最佳实践的机器学习分析的基于网络的软件工具包

机器学习正日益成为生物医学研究的核心，但要有效地使用机器学习，通常需要相当丰富的计算专业知识和方法学上的审慎，以产生高质量的结果。为了在支持最佳实践方法的同时，使机器学习工具对生物医学研究人员更易于使用，我们开发了 Galaxy Learning and Modeling（GLEAM）软件工具包。GLEAM 使研究人员能够通过一组基于网络、无需编码的软件工具，对表格、图像和多模态生物医学数据集开展监督式机器学习分析。GLEAM 对数据划分、模型选择、训练、评估和报告进行标准化，帮助研究人员以更高的严谨性和一致性应用机器学习。GLEAM 运行于 Galaxy 计算工作台之上，并利用 Galaxy 的核心功能，使所有分析都具备可访问性、可复现性和可扩展性。我们在三项生物医学任务上验证了 GLEAM：预测患者对免疫治疗的响应、皮肤病变分类以及癌症复发预测。在这些任务中，GLEAM 生成了高度准确的预测模型，并提升了透明性、可复现性和严谨性。

机器学习正日益成为生物医学研究的核心组成部分，但要高效地使用机器学习，通常需要相当扎实的计算专业知识和方法学上的审慎把控，才能产出高质量的结果。为了在支持最佳实践方法的同时，使机器学习工具更易于生物医学研究人员使用，我们开发了 Galaxy Learning and Modeling（GLEAM）软件工具包。GLEAM 使研究人员能够通过一套基于网络、无需编程的软件工具，对表格型、图像型和多模态生物医学数据集开展监督式机器学习分析。GLEAM 对数据划分、模型选择、训练、评估和报告进行标准化，帮助研究人员以更高的严谨性和一致性应用机器学习。GLEAM 运行于 Galaxy 计算工作台之上，并利用 Galaxy 的核心功能，使所有分析都具备可访问性、可复现性和可扩展性。我们在三项生物医学任务中对 GLEAM 进行了验证：预测患者对免疫治疗的响应、皮肤病变分类以及癌症复发预测。在这些任务中，GLEAM 均构建出了高精度的预测模型，并提升了分析过程的透明性、可复现性和严谨性。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730487v1?rss=1

🏷️ 机器学习 生物医学数据分析 网络软件工具 可复现性 监督学习 多模态数据