双疾病转录组机器学习规划器

为比较两种疾病（或疾病亚型）的转录组数据设计完整的机器学习分析方案。生成从数据预处理、特征选择、模型训练、交叉验证到生物学解释的端到端流程规划和可执行代码框架。

使用场景

当你需要：

• 设计ML流程区分两种疾病的转录组特征
• 构建疾病分类器或预测模型
• 识别疾病间差异表达基因的最优特征集
• 规划模型性能评估和可解释性分析策略
• 生成包含SHAP/LIME解释、通路富集和生物学验证的完整分析管线

工作流程

1. 需求分析 - 确认两种疾病类型、数据来源（RNA-seq、芯片、单细胞）、样本量和研究目标
2. 数据预处理规划 - 设计标准化、批次效应校正、低表达过滤方案
3. 特征选择策略 - 规划差异分析、方差过滤、递归特征消除（RFE）、LASSO等方法组合
4. 模型选择 - 根据样本量和数据特点推荐Random Forest、XGBoost、SVM、神经网络等算法
5. 验证策略 - 设计交叉验证、留一验证、外部验证集方案
6. 可解释性分析 - 规划SHAP值计算、特征重要性排序、决策边界可视化
7. 生物学解释 - 设计关键基因的通路富集、PPI网络、文献验证流程
8. 代码生成 - 输出R或Python完整分析脚本，包含注释和可视化代码

输出内容

• 分析方案文档 - 包含算法选择依据、参数设置、验证策略的结构化方案
• 可执行脚本 - Python（scikit-learn/XGBoost）或R（caret/randomForest）完整代码
• 特征选择流程 - 多层筛选策略和阈值设定
• 性能评估方案 - ROC/PR曲线、混淆矩阵、特征稳定性分析
• 生物学解释模板 - GO/KEGG富集分析、关键基因验证实验建议

典型应用

• 构建区分阿尔茨海默病和帕金森病的脑组织转录组分类器
• 设计鉴别Luminal A和Luminal B型乳腺癌的基因特征集
• 开发预测克罗恩病和溃疡性结肠炎的肠道转录组模型
• 识别急性髓系白血病和急性淋巴细胞白血病的标志基因面板
• 比较COVID-19重症和流感重症的免疫转录组差异模式

技术特点

• 针对高维低样本转录组数据的ML方案优化
• 集成类别不平衡处理（SMOTE、类权重调整）
• 考虑批次效应和混杂因素的建模策略
• 结合统计显著性和机器学习特征重要性的双重筛选
• 输出符合生物医学期刊要求的模型报告和图表

示例提示

• "设计一个ML流程，用GEO数据集区分系统性红斑狼疮和类风湿关节炎的外周血转录组"
• "我有两组肝癌RNA-seq数据（HCC和ICC各50例），帮我规划特征选择和XGBoost建模方案"
• "为TCGA肺腺癌和肺鳞癌数据生成完整的Python分类器代码，包含SHAP解释"
• "设计一个稳健的交叉验证策略，用于小样本（每组20例）的疾病转录组分类"