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.
