Name: Benzer şekilde etkili ikili sınıflandırma performansları ile birden fazla biyomarker alt kümeleri seçmek (Video) | JoVE Journal
Uploaded: 2018-10-11T13:00:00.000+00:00
Duration: 7 min 35 s
Description: Keşfedin, biyomedikal araştırmalarda birden fazla etkili biyomarker alt kümesini tespit etmek için kullanıcı dostu yazılım arayüzü ile hesaplamalı analiz yöntemlerini. Bu yaklaşım, biyobelirteç tespitinde çoklu çözümlerin varlığını gösterir ve araştırmacılara veri setlerini analiz etme imkanı sunar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Bu eser Çince Academy of Sciences (XDB13040400) ve başlangıç grant Jilin Üniversitesi stratejik öncelik araştırma programı tarafından desteklenmiştir. Adsız yorumcular ve Biyomedikal test kullanıcılar kullanılabilirlik ve kSolutionVis işlevselliğini geliştirmeye yönelik yapıcı yorumlar için takdir edildi.

Bu raporla ilgili hiçbir çatışması var.

Bu çalışmada bir ikili sınıflandırma Kullanıcı tarafından belirtilen veri kümesi için bir takip etmek kolay çok çözüm biyomarker algılama ve karakterizasyonu Protokolü sunar. Yazılım kullanım kolaylığı ve esnek alma/verme arabirimleri Biyomedikal bir araştırmacı kolayca yazılım GUI kullanarak kendi veri kümesi araştırmak izin çeşitli dosya biçimleri için bir vurgu yapıyor. Bu çalışmada da benzer şekilde etkili modelleme performansları, daha önce birçok varolan biyomarker algılama algoritması tarafından göz ardı ile birde...

İkili sınıflandırma, en yaygın olarak incelenmiş ve zorlu veri madenciliği Biyomedikal alanında sorunlar örneklerinin en doğru ayrımcılık güç1, iki gruplar eğitimli bir sınıflandırma modelini oluşturmak için kullanılır 2 , 3 , 4 , 5 , 6 , 7. Biyomedikal alanında oluşturulan büyük veri doğasında olan "büyük p küçük n" have paradigma, özellikler genellikle daha örnekleri6,8,9sayısından daha büyük sayıda. Bu nedenle, biyomedikal araştırmacılar overfitting sorun8,9önlemek için sınıflandırma algoritmaları kullanan önce özelliği boyut azaltmak zorunda. Tanı biyolojik tespit edilen özellikleri belirli bir hastalık hastaların sağlıklı kontrol örnekleri10,11ayıran bir alt olarak tanımlanır. Hastalar genellikle olumlu örnek olarak tanımlanır ve sağlıklı kontrol olumsuz örnekleri12olarak tanımlanır.
Son yıllarda yapılan çalışmalarda ile aynı veya benzer şekilde etkili sınıflandırma performansları Biyomedikal veri kümesi5için birden fazla çözüm var olduğunu ileri sürmüşlerdir. Hemen hemen tüm özellik seçimi algoritmalar aynı veri kümesi için tek bir çözüm üreten deterministik algoritmalar vardır. Genetik algoritmalar aynı anda birden çok çözümü benzer performanslar ile oluşturabilir, ama onlar hala bir çözüm en iyi fitness işleviyle bir belirli veri kümesi13,14için çıktı olarak seçmeye çalışın.
Özellik seçimi algoritmaları kabaca filtreleri veya sarmalayıcılar12olarak gruplandırılabilir. Üst -k özellikleri onların anlamlı bireysel ilişki özellikleri duymadığını ikili sınıf etiketlerle tarafından sıralanır her diğer15,16,17 bağımsız bir filtre algoritması seçilirse . Her ne kadar bu varsayım için hemen hemen tüm gerçek veri gerçek tutmaz, sezgisel filtre kuralı de çoğu zaman, örneğin, mehmet (en az artıklık ve en büyük alaka) algoritması, Wilcoxon testi temel özelliği (WRank) filtreleme gerçekleştirir algoritma ve ROC (alıcı çalışma özelliği) Arsa dayalı (ROCRank) filtreleme algoritması. Mehmet, çünkü bir verimli filtre algoritması her biri yalnızca iki değişken içerir, maksimum-bağımlılık özellik seçim algoritması karşılaştırarak daha küçük sorunları bir dizi Kombinatorik tahmini sorun yaklasik ve Bu nedenle daha sağlam18,19olan ikili ortak değerler kullanır. Ancak, mehmet alaka artırabilir ve böylece ayrı ayrı işe yaramıyor ama zaman sadece birlikte yararlı bazı özellik birleşimler özlüyor özellikleri arasındaki etkileşimler ölçmek değil gibi bazı özellikler kullanışlılığı hafife. WRank algoritma nasıl discriminative bir özellik örnekleri iki sınıf arasında ve onun sağlamlık outliers20,21için bilinen, parametrik olmayan bir puan hesaplar. Ayrıca, ne kadar önemli, belirli bir özellik alanı altında ROC eğrisi (AUC) için incelenen ikili sınıflandırma performans22,23' tür ROCRank algoritması değerlendirir.
Öte yandan, bir sarmalayıcı yinelemeli olarak sezgisel bir kural tarafından oluşturulan bir belirli özellik alt önceden tanımlı Sınıflandırıcısı'nın performansını değerlendirir ve en iyi performans ölçüm24ile özelliği alt küme küme küme oluşturur. Bir sarmalayıcı genellikle filtre sınıflandırma performans olarak daha iyi performans ancak daha yavaş25çalışır. Örneğin, bir alt kümesi olan özellik önem skorları Gini endeksi tarafından değerlendirilir her rasgele orman düğümdeki eğitim verileri özellikleri değerlendirerek açgözlü bir kural, düzenlenmesine yardımcı olmuştur rasgele orman (RRF)26,27 algoritmasını kullanır . Da bilgi kazanç bu seçilen özelliklerin düzelmezse yeni bir özellik seçimi cezalandırılır. Ayrıca, Microarrays (PAM)28,29 algoritması, ayrıca bir sarmalayıcı algoritması için tahmin analiz bir centroid her sınıf etiketleri için hesaplar ve sonra gene cisimlerin genel doğru daraltmak için özellikleri seçer sınıf centroid. PAM için dış özellikler sağlamdır.
Üst sınıflandırma performansı ile birden çok çözümü verilen herhangi bir veri kümesi için gerekli olabilir. İlk olarak, belirli bir algoritma en iyi duruma getirme amacı bir matematiksel formül, Örneğin, minimum hata oranı30, tarafından mutlaka biyolojik örnekler için ideal olan değil tanımlanır. İkinci olarak, bir veri kümesi birden fazla, önemli ölçüde farklı çözümler benzer etkili veya bile aynı performansları ile olabilir. Hemen hemen tüm varolan özellik seçimi algoritmaları Bu çözümlerden birini rasgele çıktı31seçecektir.
Bu çalışma için kullanılan herhangi bir verilen ikili sınıflandırma veri kümesi için benzer performansları ile birden çok özellik seçimi çözümleri üreten bir bilişim analitik Protokolü tanıtacak. En Biyomedikal araştırmacıları bilişim teknikleri veya bilgisayar kodlama aşina olmayan göz önüne alındığında, bir Kullanıcı dostu grafik kullanıcı arabirimi (GUI) Biyomedikal ikili sınıflandırma veri kümeleri hızlı analiz kolaylaştırmak için geliştirilmiştir. Analitik protokolü veri yükleme ve özetleme, parametre ayarlama, boru hattı yürütme ve sonuç yorumların oluşur. Basit bir tıklama ile araştırmacı biyomarker alt kümeleri ve yayın kalitesinde görselleştirme araziler oluşturmak yapabiliyor. Protokol iki ikili sınıflandırma veri kümeleri, akut lenfoblastik lösemi (ALL), yani, ALL1 ve ALL212transcriptomes kullanarak test edilmiştir. ALL1 ve ALL2 veri kümeleri Merkezi'nden Broad Enstitüsü genom veri analizi, http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi kullanılabilir indirilmiş. ALL1 12,625 özellikleri ile 128 örnekleri içerir. Bu, 95 B hücreli örneklerdir tüm ve 33 T hücreli olan tüm. ALL2 100 örnek 12,625 özellikleri de içerir. Bu örnekleri nüks yaşadı 65 hasta ve did değil 35 hasta vardır. ALL1 bir kolay ikili sınıflandırma veri kümesi, dört filtreler ve dört sarmalayıcılar %96.7 ve % 10012elde 8 Özellik seçimi algoritmalarının 6 olmak en az bir doğruluk ile yapıldı. ALL2 %83.7 doğruluk12' den daha iyi ulaşmak yukarıda 8 Özellik seçimi algoritmaları ile daha zor bir veri kümesi iken. Bu en iyi doğruluk 56 özelliklerle korelasyon tabanlı özellik seçimi (CFS) sarmalayıcı algoritması tarafından algılanan sağlanır.

<table><tbody><tr><td><güçlü > donanım< / güçlü ></td><td></td><td></td><td></td></tr><tr><td>laptop</td><td>Lenovo</td><td>X1 carbon</td><td>Herhangi bir bilgisayar çalışır. Önerilen minimum yapılandırma: 1 GB ekstra sabit disk alanı, 1 GB bellek, 2,0 MHz CPU</td></tr><<tr><td>strong>Name</td><td>Company<</td><td>strong>Katalog Numarası</td><td>Comments</td></tr><tr><td>Software</td><td></td><td></td><td></td></tr><tr><td>Python 3.0</td><td>WingWare</td><td>Wing Kişisel</td><td>Herhangi bir python programlama ve çalıştırma ortamı Python sürüm 3.0 veya üstünü destekler</td></tr></tbody></table>

benzer şekilde etkili ikili sınıflandırma performansları ile birden fazla biyomarker alt kümeleri seçmek

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Biyomarker algılama yüksek üretilen iş 'omics' araştırmacılar için biyomedikal daha önemli sorulardan biri ve hemen hemen tüm varolan biyomarker algılama algoritmaları belirli bir veri kümesi için en iyi duruma getirilmiş performans ölçümü ile bir biyomarker alt küme küme küme oluşturma . Ancak, yeni yapılan bir çalışmada birden çok biyomarker alt kümeleri bile aynı ya da benzer şekilde etkili sınıflandırma performansları ile varlığını gösterdi. Bu iletişim kuralı biyomarker alt kümeleri ile ikili sınıflandırma performansları, Kullanıcı tanımlı bir kesim iyi tespit için basit ve anlaşılır bir metodoloji sunar. Veri hazırlama ve yükleme, temel bilgileri özetleme, parametre ayarlama, biyomarker tarama, sonuç görselleştirme ve yorumu, biyomarker gen ek açıklamaları ve sonuç ve görselleştirme ihracat, protokol oluşur yayın kalitesi. Strateji eleme önerilen biyomarker sezgisel ve biyomarker algılama algoritmaları geliştirmek için genel bir kural gösterir. Bir Kullanıcı dostu grafik kullanıcı arabirimi (GUI) Python, biyomedikal araştırmacılar bunların sonuçları doğrudan erişmesini sağlayan programlama dilini kullanarak geliştirilmiştir. Kaynak kodu ve manuel kSolutionVis kullanımı-ebilmek var olmak downloaded--dan http://www.healthinformaticslab.org/supp/resources.php.

Bu iş akışı (Şekil 6) ikili sınıflandırma veri kümesi için benzer verimliliği ile birden fazla biyomarker alt kümeleri bulmak için hedeftir. Tüm süreç iki örnek veri kümeleri tarafından ALL1 ve bir biyomarker basılmış algılama çıkarılan ALL212,48çalışma gösterilmiştir. Kullanıcı-ebilmek install kSolutionVis ek materyalleri yönergeleri takip ederek.
<p class="jove_content" fo:keep-together.within-p...

Varolan algoritmaları bir biyomarker algılama veri kümesi için bir çözüm oluşturur. Bu iletişim kuralı birden çok benzer şekilde etkin çözümler varlığını gösterir ve Biyomedikal araştırmacılar onların veri kümeleri için önerilen meydan okumak araştırmak için kullanımı kolay bir yazılım sunar. Bilgisayar mühendisleri, algılama algoritmaları onların biyomarker bu özelliği de sağlayabilir.

Benzer şekilde etkili ikili sınıflandırma performansları ile birden fazla biyomarker alt kümeleri seçmek

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker ...

Bu tedbir, biyomedikal algılama alanında birden fazla çözüm üretme konusunda anahtar soruların yanıtlanmasına yardımcı olabilir. Bu tekniğin en büyük avantajı, biyomedikal araştırmacılara birden fazla özelliğin saptanmasında yardımcı olmak için kullanıcı dostu bir grafik kullanıcı arabirimi sağlamasıdır. Veri Matrisi'ni ve sınıf etiketlerini yazılıma yükleyerek başlayın.Kullanıcının belirttiği veri ölçümleri dosyasını seçmek için veri matrisini ve ilgili sınıf etiketi dosyasını seçmek için sınıf etiketlerini yükleyin. Üst sıralı özellik sayısındaki sınıf etiketlerini belirlemek için, uygun açılan kutulardaki pozitif ve negatif sınıfların adlarını seçin ve özellik alt kümesinin kapsamlı bir ekranı için üst X açılır kutusundaki en üst sırada yer alan özelliklerin sayısı olarak 10'u seçin. Farklı performanslar için sistem parametrelerini ayarlamak için, seçilen ekstrem öğrenme makinesi sınıflandırıcısının doğruluk dengeli doğruluk düşüşü kutusunu n için performans ölçüm doğruluğunu seçin.Ardından, performans kesme giriş kutusunda belirtilen performans ölçümü için 0,7 kesme değeri seçin. Ardışık lığı çalıştırmak için çözümle'yi tıklatın ve performans ölçümünün varsayılan değeri olarak 0,7'yi seçin. Ve, en iyi özellik alt kümeleri varsayılan sayısı olarak 10.Ardından yazılım tarafından algılanan özellikleri toplayın ve yorumlayın. Yazılım tarafından algılanan en iyi sınıflandırma performanslarına sahip alt kümelerin en iyi 10 özelliğinin 3B dağılım çizimini oluşturmak için, üç özelliğin derecelerini F1, F2 ve F3 eksenleri olarak kullanarak, bir özellik alt kümesindeki üç özelliği çözümle ve sıralamaya tıklayın. Performans kesme değerini 0,7 olarak değiştirin ve performans kesme performans ölçüm değerinden daha büyük veya eşit olan özellik alt kümelerinin 3B dağılım çizimini oluşturmak için çözümle'yi tıklatın.Ardından, 3B dağılım çiziminin görüntüleme açılarının manuel olarak ayarlanması için yeni bir pencere açmak ve algılanan özellik alt kümelerinin artıklığını azaltmak için azaltmak için 3B ayar'ı tıklatın. Hem DNA hem de protein dizilimi düzeylerinde bir genin açıklamasını yapmak için David veritabanı web sayfasını açın ve hazırlanan veri kümesinin ilk biyomarker alt kümesinin özellik kimliklerini girebilmek için gen kimliği dönüştürme bağlantısını tıklayın. Gen listesi bağlantısını tıklatın ve ilgi alan ek açıklamaları almak için gönder listesini tıklatın ve Gen sembolleri listesini elde etmek için Gen listesini gösterin.Ardından, GeneCards veritabanı web sayfasını açın ve bu genin ek açıklamalarını bulmak için veritabanı sorgu giriş kutusuna ilgi geninin adını girin. Man veritabanında Online Mendelian Inheritance'ı açın ve veritabanından bu genin ek açıklamalarını bulmak için geni arayın. Kodlanmış proteinlere açıklama ek olarak, UniProt bilgi bankası veritabanı sayfasını açın ve bu veritabanından genin ek açıklamalarını arayın.Grup tabanlı tahmin sistemini veya GPS web sunucusunu açın ve UniProt bilgi bankası veritabanından biyomarker geni tarafından kodlanan protein dizisini alın ve geçiş sonrası modifikasyon kalıntılarını tahmin etmek için çevrimiçi GPS aracını kullanın. Protein-protein etkileşimlerine açıklama yapmak ve orada zenginleştirilmiş fonksiyonel modüller için, string web sunucusu sayfasını açın ve onların düzenlenmiş özelliklerini bulmak için ilgi genleri için asansör aramak için string veritabanını kullanın. Daha fazla analiz için algılanan biyomarker alt kümelerini dışa aktarmak için tabloyu dışa aktar'ı tıklatın ve dosyaları kaydetmek için uygun metin biçimini seçin.Ardından, görselleştirme çizimlerini tek tek görüntü dosyaları olarak dışa aktarın, her çizimin altına kaydet'i tıklatın ve her dosyayı kaydetmek için uygun resim biçimini seçin. Bu temsili denemede, iki veri kümesi CSV dosyaları olarak biçimlendirilmiş ve gösterildiği gibi yazılıma yüklenmiş. İlk veri setinde, 12, 625 özelliğe ve bireysel sınıf etiketine sahip 128 örnek, 95 negatif örnek ve 33 pozitif örnek içeren son veri Matrisi ile yüklendi.Benzer işlemler de ikinci zor veri kümesi için yapılmıştır. Özellik adlarında kullanıcıya özgü bir anahtar kelime nin aranması, her veri kümesiiçin özelliklerin bir histogramını gösterir. Her veri kümesi için boru hattı algoritması çalıştırıldıktan sonra, 57 üçüz biyomarker alt küme%100 doğruluk gösteren, kolay ayırt edici veri kümesi için 120 nitelikli biyomarker alt kümeleri algılandı.Ancak, zor veri kümesi için algılanan sadece 76 biyomarker alt kümeleri. Ve, daha düşük bir biyobelirteçler alt set doğruluğu biyobelirteçler fenotip özgü olduğunu düşündüren ile, biyomarker algılama başka bir önemli sorun. Bu yordamı kullanırken, gelecekteki bir seçim sorununun birden çok çözümü olduğunu unutmamak önemlidir.En iyi performansı SIM'i okuyun. Bu teknik, geliştirildikten sonra biyomedikal araştırmacıların biyomedikal tespiti birden fazla çözümle keşfetmelerinin önünü açmıştır.

selecting-multiple-biomarker-subsets-with-similarly-effective-binary

Research

JoVE Journal

Cancer Research

Temel bileşenler analizi (PCA) gibi çok değişkenli teknikleri fonksiyonel beyin görüntüleri bölgesel değişim imza biçimlerini belirlemek için kullanılmıştır. Biz nörodejeneratif hastalıkların tanısında, hastalığın ilerlemesi değerlendirilmesi ve hasta popülasyonlarında tedavi etkilerinin objektif değerlendirme için tekrarlanabilir ağ biyolojik belirlemek için bir algoritma geliştirdik.

Nörogörüntüleme Veri kullanarak Hastalık ile ilgili Mekansal Kovaryans Desenler belirlenmesi

Bu metodoloji, daha hafif bilişsel bozukluk muzdarip eğilimli nüfus grupları hedef karar ağaçları üretir ve hastalığın maliyet-etkin seçici tarama için yararlıdır.

Hafif Bilişsel Bozukluğun Etkili Bir Seçici Taramasını Tasarlamak Için Makine Öğrenimi Yaklaşımı

LEfSe (LDA Etki Boyutu), mikrobiyom verilerinde iki veya daha fazla grubu önemli ölçüde karakterize eden genomik özellikleri (genler, yollar ve taksonomiler gibi) tanımlamak için yüksek boyutlu biyobelirteç madenciliği için bir araçtır.

Mikrobiyom Verilerinde Doğrusal Diskriminant Analizi Etki Boyutu (LEfSe) ile Biyobelirteçlerin Yardımlı Seçimi

Burada, transkriptomik verileri bir mqTrans görünümüne dönüştürmek için karanlık biyobelirteçlerin tanımlanmasını sağlayan bir protokol sunuyoruz. Konvansiyonel transkriptomik analizlerde diferansiyel olarak ifade edilmese de, bu biyobelirteçler mqTrans görünümünde diferansiyel ekspresyon sergiler. Yaklaşım, daha önce gözden kaçan biyobelirteçleri ortaya çıkaran geleneksel yöntemlere tamamlayıcı bir teknik olarak hizmet eder.

Küçük Veri Kümelerinde Tahmin Görevi ve Karanlık Biyobelirteç Tespiti için Transkriptomik Özelliklerin Transkripsiyonel Düzenleme Görünümünün Oluşturulması

Burada adresli damlacık microarrays (ADM'ler), bir damlacık array tabanlı yöntemi mutlak protein bolluk içinde tek hücreleri belirlemek mümkün mevcut. Biz heterojenite tümör baskılayıcı protein p53 bir insan kanser hücre satırı ifade derecesinin ADM'ler kapasitesini göstermek.

Proteinler adresli damlacık Microarrays ile tek kişilik hücrelerde sayma

Laparoskopik pancreatoduodenctomy (LPD) mide boşalma ve daha kısa hastanede yatmak erken postoperatif seferberlik, daha az da dahil olmak üzere açık pancreatoduodenectomy avantajları gecikmeli sunabilir. Ancak, LPD Teknik olarak zor ve iyi standart değil, özellikle pankreas anastomoz ile ilgili. LPD sırasında pankreas anastomoz için standart bir tekniği tarif: Blumgart pancreaticojejunostomy değiştirilmiş.

Değiştirilmiş Blumgart Pancreaticojejunostomy ile laparoskopik Pancreatoduodenectomy

Burada kollarındaki kullandığımız, x-ışını nasıl inhibe mTOR etkinlik çalışmaya ve pozitron emisyon tomografi/bilgisayarlı tomografi Imaging etkileri myeloma kemik iliği engrafted tümörler bir xenograft modeli. Bu myeloma kemik iliği engrafted tümör vivo içindehedefleme terapiler Anti-miyelom etkisini fizyolojik ilgili, non-invaziv ve multimodal analizleri için sağlar.

Multipl Miyelom kemik iliği Xenografts NOG farelerde Multimodal kollarındaki ve pozitronik emisyon tomografi/Hesaplamalı tomografi görüntüleme

Burada, hücresel düzeyde protein fosforilasyon olayların orta-yüksek performans analizi için bir protokol sunulmuştur. Fosfo akış sitometresi sinyal aberasyonları karakterize, tanımlamak ve biyolojik doğrulamak ve Özellikler değerlendirmek için güçlü bir yaklaşımdır.

Fosfo akış sitometresi ile floresan hücre barkodlama tek hücre Analizi ve biyomarker keşif sinyal

Bu el yazması bir tek-duvar karbon nanotüp (SWCNT) sentezi açıklar-SWCNT güvenilir teslim ve güçlü tedavi edici etkisini gösteren MALAT1 antianlamlı gapmer DNA oligonükleotid (SWCNT-anti-MALAT1), Birleşik Anti-MALAT1 tüp bebek ve içinde vivo. Yöntemleri kullanılan sentez, değiştirme, fiil ve SWCNT-anti-MALAT1 enjeksiyon açıklanmıştır.

Multipl Miyelom hücre büyümesini Vivo tek-duvar karbon nanotüp (SWCNT) tarafından yapılan bir baskı-MALAT1 antianlamlı Oligos teslim

Burada, ifade stratejisini kullanarak, genel olarak erişilebilen çeşitli veritabanlarından elde edilen havuza alınan klinik veri kümelerinin kapsamlı analizine dayalı olarak meme kanserinin biyomarker ve hayatta kalma tahminini keşfetmek için bir protokol sunuyoruz, korelasyon ve hayatta kalma analizi adım adım.

Veri madenciliği ve meme kanserinde biyomarker Integrative analizi gerçekleştirmek birden çok genel erişilebilir veritabanları kullanma

Keşfedin, biyomedikal araştırmalarda birden fazla etkili biyomarker alt kümesini tespit etmek için kullanıcı dostu yazılım arayüzü ile hesaplamalı analiz yöntemlerini. Bu yaklaşım, biyobelirteç tespitinde çoklu çözümlerin varlığını gösterir ve araştırmacılara veri setlerini analiz etme imkanı sunar.

Benzer şekilde etkili ikili sınıflandırma performansları ile birden fazla biyomarker alt kümeleri seçmek

Daha fazla video keşfet