Dans ce module, nous continuerons à travailler avec les données de notre séquence génomique - en utilisant l'ACP pour identifier les groupes et les caractéristiques les plus importantes. Après avoir réduit le nombre de dimensions de l'ensemble de données, nous pourrons utiliser K-means pour former des groupes et visualiser les différentes zones dans l'espace 2D.

Dans ce module, nous regrouperons les séquences génomiques à l'aide de l'algorithme K-means. Nous optimiserons le nombre de clusters en comparant les scores de silhouette pour une grande variété d'entrées afin d'identifier la chute la plus importante. Enfin, nous nous préparerons à utiliser des pipelines de prédiction pour prédire les scores de bits et les thérapies médicamenteuses dans le dernier module.

Dans ce module, nous testerons une variété de régresseurs pour voir lequel est le plus performant dans la prédiction des scores de bits pour chaque séquence génomique. Ensuite, nous utiliserons le modèle choisi pour trouver les équidés du génome qui sont les plus étroitement apparentés et tracer une sous-séquence possible à cibler à l'aide d'un médicament combatif.