Table 2.

Per-column error metrics for each algorithm in each missing data scenario

MCAR
	KNN		RF		Amelia		Mice		MI		Mean
Feature	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
CADD	0.11	0.14	0.10	0.12	0.15	0.19	0.15	0.19	0.16	0.20	0.21	0.25
DANN	0.06	0.12	0.06	0.11	0.13	0.17	0.08	0.17	0.14	0.19	0.12	0.18
FATH	0.06	0.11	0.05	0.08	0.13	0.16	0.07	0.13	0.13	0.17	0.32	0.37
fitCons	0.08	0.11	0.06	0.09	0.13	0.16	0.11	0.16	0.13	0.17	0.11	0.15
MuT	0.11	0.18	0.11	0.17	0.19	0.25	0.13	0.25	0.20	0.26	0.26	0.28
GERP	0.06	0.09	0.06	0.09	0.11	0.14	0.09	0.14	0.11	0.14	0.13	0.18
PP7	0.04	0.07	0.04	0.07	0.07	0.09	0.06	0.10	0.07	0.10	0.09	0.11
PP20	0.04	0.06	0.03	0.05	0.06	0.08	0.05	0.08	0.06	0.08	0.07	0.09
PC7	0.16	0.24	0.15	0.23	0.25	0.32	0.19	0.33	0.26	0.33	0.32	0.37
PC20	0.17	0.25	0.17	0.24	0.26	0.34	0.21	0.35	0.28	0.35	0.35	0.40
SiPhy	0.08	0.11	0.07	0.10	0.13	0.17	0.13	0.17	0.14	0.17	0.15	0.18
GWAVA	0.10	0.12	0.08	0.11	0.14	0.17	0.14	0.18	0.15	0.19	0.11	0.13
Kaviar	0.02	0.08	0.02	0.07	0.08	0.12	0.03	0.11	0.09	0.12	0.03	0.10
d_rf	0.09	0.12	0.08	0.10	0.12	0.16	0.13	0.16	0.13	0.16	0.17	0.20
d_svm	0.05	0.06	0.03	0.04	0.08	0.10	0.06	0.09	0.08	0.11	0.21	0.23
MNAR
	KNN		RF		Amelia		Mice		MI		Mean
CADD	0.11	0.14	0.10	0.12	0.16	0.20	0.15	0.20	0.16	0.21	0.21	0.25
DANN	0.06	0.12	0.06	0.12	0.14	0.18	0.08	0.17	0.15	0.19	0.12	0.18
d_rf	0.09	0.12	0.09	0.12	0.13	0.16	0.13	0.16	0.13	0.16	0.17	0.20
d_svm	0.08	0.11	0.08	0.11	0.12	0.16	0.11	0.15	0.12	0.16	0.21	0.23
MAR
	KNN		RF		Amelia		Mice		MI		Mean
CADD	0.11	0.14	0.09	0.12	0.15	0.19	0.16	0.20	0.16	0.20	0.21	0.25
DANN	0.06	0.12	0.06	0.11	0.13	0.17	0.08	0.17	0.14	0.19	0.12	0.18
d_rf	0.09	0.12	0.08	0.10	0.12	0.16	0.13	0.16	0.13	0.16	0.17	0.20
d_svm	0.05	0.06	0.03	0.04	0.08	0.10	0.06	0.09	0.08	0.10	0.21	0.23

FATH corresponds to FATHMM, MuT to MutationTaster, PP7 to phyloP7, PP20 to phyloP20, PC7 to phastCons7, PC20 to phastCons20, d_rf to dummy_rf and d_svm to dummy_svm. Underlined is the best performing method for each feature