Для начала создайте новую виртуальную среду с именем Health Model с Python версии 3.7. В суперкомпьютерной платформе кластера Slurm выполните команду модуля Load Anaconda. После выполнения команды на экране появится запрос на подтверждение.
Введите Y, чтобы продолжить, и дождитесь завершения процесса. Затем активируйте виртуальную среду, следуя инструкциям для конкретной платформы. Затем выполните команду для установки PyTorch 1.13.1.
Установите дополнительные пакеты для геометрической геометрии резака, такие как torch_scatter, torch_sparse, torch_cluster и torch_spline_convulsion, следуя инструкциям по установке. Затем установите геометрический пакет горелки версии 2.2.0. Загрузите код и предварительно обученную модель здоровья с веб-сайта Health Informatics Lab.
Распакуйте файл по нужному пути. Затем измените рабочий каталог в командной строке на папку mqTrans модели работоспособности. Выполните команду, чтобы сгенерировать объекты mqTrans и получить выходные данные.
Объекты mqTrans будут сгенерированы как выходные целевые объекты MQ в формате CSV, а файл надписей будет повторно сохранен в формате CSV выходных меток. Кроме того, исходные значения экспрессии генов мРНК будут извлечены в качестве тестовых мишеней для выходных файлов CSV. Далее воспользуемся алгоритмом выбора признаков для выбора признаков mqTrans.
Если вы выбираете объекты mqTrans или исходные объекты без их объединения, установите для параметра Объединить значение false. Выберите 800 исходных объектов и разделите набор данных на 0,8–0,2 для обучения и тестирования. Чтобы объединить объекты mqTrans с исходными значениями выражения для выбора признаков, задайте для параметра combine значение true.
Идентифицированы темновые биомаркеры с дифференциальными значениями mqTrans, но недифференциальной экспрессией мРНК. Среди 3062 признаков был обнаружен 221 темный биомаркер. Общий дефицит темновых биомаркеров по сравнению с традиционными биомаркерами наблюдался для большинства типов рака, за исключением BRCA, MESO и TGCT.