Maschinelles Lernen sagt Alkoholkonsum bei jugendlichen Mäusen voraus

Eine aktuelle Studie von Nathan Yu, Steven Buyske, Uthman Qureshi und Lei Yu untersucht, wie zwölf überwachte Algorithmen des maschinellen Lernens das Trinkverhalten von jugendlichen Mäusen prognostizieren können, indem sie schrittweise verkürzte Verhaltensdatensätze auswerten.

Hintergrund

Der Konsum von Alkohol während der Adoleszenz gilt als Risikofaktor für die spätere Entwicklung einer Alkoholabhängigkeit, wobei individuelle Anfälligkeit stark variiert. Die Identifikation von Mustern im frühen Trinkverhalten könnte Aufschluss über die biologischen Grundlagen geben.

Zielsetzung

Die Forscher wollten die Vorhersagegenauigkeit verschiedener Lernalgorithmen anhand von simulierten, balancierten Datensätzen bewerten, die auf bereits veröffentlichten Messungen beruhen.

Methodik

Die Datensätze wurden sequenziell gekürzt, um Modelle mit immer längerem Beobachtungszeitraum zu trainieren und zu testen. Die Genauigkeit jeder Klassifikation wurde für jeden Trunkierungspunkt gemessen und anschließend mit vier Kurvenanpassungen modelliert; die LOESS‑Methode erwies sich als am besten geeignet.

Ergebnisse

Nach Anwendung der LOESS‑Fit‑Kurven erreichten sechs Algorithmen – Random Forest, Logistic Regression, Multilayer Perceptron, Linear Discriminant Analysis, K‑Nearest Neighbors und Support Vector Machine – am Experimentende eine Vorhersagegenauigkeit von mindestens 98 % und zur Halbzeit mindestens 90 %.

Modellvergleich

Vier weitere Modelle – Stochastic Gradient Descent, Decision Tree, Gradient Boosting Classifier und Multinomial Naive Bayes – lieferten mittlere Genauigkeiten von 77 % bis 95 % zur Halbzeit und von 91 % bis 96 % am Ende. Quadratic Discriminant Analysis und Gaussian Process Classifier zeigten dagegen abnehmende Genauigkeiten.

Schlussfolgerungen

Die Ergebnisse belegen, dass bestimmte überwachte Lernverfahren bereits aus frühen Verhaltensdaten zuverlässige Vorhersagen ermöglichen. Die Autoren sehen darin ein Werkzeug, um molekulare Analysen gezielt auf Zeitpunkte zu fokussieren, bevor das Trinkverhalten vollständig ausgeprägt ist.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.