hubEnsembles：R集成方法

对未来结果的预测对规划和决策至关重要，但对未来做出可靠的预测是一项挑战。克服这一挑战的一种方法是将多个独立模型的预测结合起来。这些组合方法(也称为聚合或集合)已被反复证明可以产生更准确的预测，并且比单个模型更加一致。由于明显的性能优势，多模型集成在各个领域都很常见，包括天气、气候和经济学。最近，多模型集成已用于改进传染病暴发的预测。

在快速发展的爆发预测领域，有许多生成集成的方法被提出。通常，这些方法至少在以下两种方式中的一种有所不同:(1)用于组合或“平均”预测的函数，以及(2)在执行组合时如何对预测进行加权。没有一种方法是普遍的“最好的”。因为已有的理论原因，预测的简单平均数在一系列设置中效果惊人地好。然而，更复杂的方法也被证明在某些情况下有好处。在这里，Shandross等人介绍了一款hubEnsembles工具R包（https://github.com/hubverse-org/hubEnsembles，图1），它为从多个模型生成集成预测提供了一个灵活的框架。hubEnsembles支持多种类型的预测，包括点估计和不同类型的概率预测。在整个过程中，作者们将使用术语“预测”来指代可能组合的任何类型的模型输出，包括预测、场景预测或参数估计。

图1 hubEnsembles界面与安装

hubEnsembles软件包是“hubverse”开源软件和数据工具集合的一部分。hubverse项目促进了协作建模练习的开发和管理(2024年传染病建模中心联盟)。更广泛的hub计划是由协作中心的演示收益所驱动的，包括多模型集成的性能优势以及跨此类中心标准化的愿望。文献《hubEnsembles: Ensembling Methods in R》将特别关注hubEnsembles中包含的功能。作者们提供了实现方法的概述，包括数学定义和属性以及实现细节，使用简单示例的基本功能演示，以及使用真实流感预测进行更深入的分析，从而激发对各种方法的讨论和比较。

如果想了解和入门集成模型，hubEnsembles工具包学习将会是一个很好的选择。

参考文献

[1] Shandross L, Howerton E, Contamin L, et al. hubEnsembles: Ensembling Methods in R. Preprint. medRxiv. 2024;2024.06.24.24309416.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. ​EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. ​EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC

12. 免疫信号通路关联的调控子数据库：ImmReg

13. 利用药物转录组图谱探索中药药理活性成分平台：ITCM

14. AgeAnno：人类衰老单细胞注释知识库

15. 细菌必需非编码RNA资源：DBEncRNA

16. 细胞标志物数据库：singleCellBase

17. ​实验验证型人类miRNA-mRNA互作数据库综述

18. 肿瘤免疫治疗基因表达资源：TIGER

19. 基因组、药物基因组和免疫基因组水平基因集癌症分析平台：GSCA

20. 首个全面的耐药性信息景观：DRESIS

21. 生物信息资源平台：bio.tools

22. 研究资源识别门户：RRID

23. 包含细胞上下文信息的细胞互作数据库：CCIDB

24. HMDD 4.0：miRNA-疾病实验验证关系数据库

25. LncRNADisease v3.0：lncRNA-疾病关系数据库更新版

26. ncRNADrug：与耐药和药物靶向相关的实验验证和预测ncRNA

27. CellSTAR：单细胞转录基因组注释的综合资源

28. RMBase v3.0：RNA修饰的景观、机制和功能

29. CancerProteome：破译癌症中蛋白质组景观资源

30. CROST：空间转录组综合数据库