Diese Maßnahme kann helfen, wichtige Fragen im bereichder biomedizinischen Detektion zur Generierung mehrerer Lösungen zu beantworten. Der Hauptvorteil dieser Technik ist, dass sie eine benutzerfreundliche grafische Benutzeroberfläche zur Unterstützung biomedizinischer Forscher bei der Erkennung mehrerer Funktionsabsenkungen bietet. Beginnen Sie mit dem Laden der Datenmatrix und Klassenbeschriftungen in die Software.
Klicken Sie auf Datenmatrix laden, um die vom Benutzer angegebene Datenmetrikdatei auszuwählen, und klassenbeschriftungen laden, um die entsprechende Klassenbeschriftungsdatei auszuwählen. Um die Klassenbeschriftungen in der Anzahl der top-ranked Features zu bestimmen, wählen Sie die Namen der positiven und negativen Klassen in den entsprechenden Dropdown-Feldern aus, und wählen Sie 10 als Anzahl der top-ranked Features im oberen X-Dropdown-Feld für einen umfassenden Bildschirm der Feature-Teilmenge aus. Um die Systemparameter für unterschiedliche Leistungen zu optimieren, wählen Sie die Genauigkeit der Leistungsmessung als Dropdown-Feld für die Genauigkeit sumcierte Genauigkeit für den ausgewählten extremen Lernmaschinenklassifler aus.
Wählen Sie dann im Eingabefeld Leistungsgrenzwert einen Cut-off-Wert von 0,7 für die angegebene Leistungsmessung aus. Um die Pipeline auszuführen, klicken Sie auf Analysieren, und wählen Sie 0,7 als Standardwert der abgeschnittenen Leistungsmessung aus. Und, 10 als Standardnummer der besten Feature-Teilmengen.
Dann sammeln und interpretieren Sie die von der Software erkannten Funktionen. Um ein 3D-Streudiagramm der Top-10-Features der Teilmengen mit den besten von der Software erkannten Klassifizierungsleistungen zu generieren, klicken Sie auf Analysieren und Sortieren der drei Features in einer Feature-Teilmenge in aufsteigender Reihenfolge ihrer Ränge, wobei die Ränge der drei Features wie die F1-, F2- und F3-Achse verwendet werden. Ändern Sie den Wert für den Leistungsschnitt wert 0,7, und klicken Sie auf Analysieren, um ein 3D-Streudiagramm der Feature-Teilmengen zu generieren, wobei der Leistungsmesswert größer oder gleich ist.
Klicken Sie dann auf 3D-Tuning, um ein neues Fenster zur manuellen Abstimmung der Betrachtungswinkel des 3D-Streudiagramms zu öffnen und die Redundanz der erkannten Feature-Teilmengen zu reduzieren. Um ein Gen sowohl in der DNA- als auch in der Proteinsequenz zu kommentieren, öffnen Sie die Webseite der David-Datenbank und klicken Sie auf den Link zur Gen-ID-Konvertierung, um die Feature-IDs der ersten Biomarker-Teilmenge des vorbereiteten Datensatzes einzugeben. Klicken Sie auf den Link "Genliste", und klicken Sie auf Die Liste senden, um die Sehenswürdigkeiten abzurufen, und zeigen Sie die Genliste an, um die Liste der Gene-Symbole zu erhalten.
Öffnen Sie als Nächstes die GeneCards-Datenbankwebseite, und geben Sie den Namen des gens von Interesse in das Eingabefeld für Datenbankabfragen ein, um die Anmerkungen dieses Gens zu finden. Öffnen Sie die Online Mendelian Inheritance in Man Datenbank und suchen Sie nach dem Gen, um die Anmerkungen dieses Gens aus der Datenbank zu finden. Um die kodierten Proteine zu kommentieren, öffnen Sie die UniProt Knowledge Base Datenbankseite und suchen Sie nach den Anmerkungen des Gens aus dieser Datenbank.
Öffnen Sie das gruppenbasierte Vorhersagesystem oder den GPS-Webserver, und rufen Sie die vom Biomarker-Gen kodierte Proteinsequenz aus der UniProt-Wissensdatenbankdatenbank ab, und verwenden Sie das Online-GPS-Tool, um die Proteine nach der Übergangszeit zu prognostizieren. Um die Protein-Protein-Wechselwirkungen und dort angereicherte Funktionsmodule zu kommentieren, öffnen Sie die String-Webserver-Seite und verwenden Sie die String-Datenbank, um den Aufzug nach den Genen von Interesse zu durchsuchen, um ihre orchestrierten Eigenschaften zu finden. Um die erkannten Biomarker-Teilmengen zur weiteren Analyse zu exportieren, klicken Sie auf Exportieren der Tabelle, und wählen Sie das entsprechende Textformat zum Speichern der Dateien aus.
Exportieren Sie dann die Visualisierungsdiagramme als einzelne Bilddateien, klicken Sie unter jedem Diagramm auf Speichern und wählen Sie das entsprechende Bildformat zum Speichern jeder Datei aus. In diesem repräsentativen Experiment wurden zwei Datensätze als CSV-Dateien formatiert und wie gezeigt in die Software geladen. Im ersten Datensatz wurden 128 Samples mit 12, 625 Features und einzelnen Klassenbeschriftungen mit der endgültigen Datenmatrix mit 95 negativen und 33 positiven Proben geladen.
Ähnliche Operationen wurden auch für den zweiten schwierigen Datensatz durchgeführt. Bei der Suche nach einem benutzerspezifischen Schlüsselwort in den Feature-Namen wird ein Histogramm der Features für jeden Datensatz angezeigt. Nach der Ausführung des Pipeline-Algorithmus für jeden Datensatz wurden 120 qualifizierte Biomarker-Teilmengen für den einfach zu unterscheidenden Datensatz erkannt, wobei 57 Triplet-Biomarker-Teilmengen eine Genauigkeit von 100 % aufweisen.
Für den schwierigen Datensatz wurden jedoch nur 76 Biomarker-Teilmengen erkannt. Und mit einer niedrigeren Genauigkeit von Biomarkern, die darauf hindeutet, dass Biomarker phänotypspezifisch sind, eine weitere große Herausforderung bei der Biomarker-Erkennung. Bei der Verwendung dieses Verfahrens ist es wichtig, sich daran zu erinnern, dass ein zukünftiges Auswahlproblem mehrere Lösungen enthält.
Lesen Sie die beste SIM-Performance. Nach ihrer Entwicklung ebnete diese Technik den Weg für biomedizinische Forscher, den biomedizinischen Nachweis mit mehreren Lösungen zu erforschen.
