शुरू करने के लिए, ज्यूपिटर नोटबुक होमपेज में, M02-DeepOmicsAE मॉडल ऑप्टिमाइज़ेशन पर क्लिक करें। IPYNB नोटबुक इसे एक नए टैब में खोलने के लिए। नोटबुक के दूसरे सेल में, M01_output_data.csv के स्थान पर डेटा प्री-प्रोसेसिंग पर जनरेट की गई आउटपुट फ़ाइल का नाम टाइप करें।
पांचवें सेल में, विभिन्न डेटा प्रकारों, जैसे प्रोटिओमिक्स डेटा, मेटाबोलॉमिक्स डेटा, नैदानिक डेटा और सभी आणविक अभिव्यक्ति डेटा के लिए कॉलम स्थिति निर्दिष्ट करें। प्रत्येक डेटा प्रकार के लिए उपयुक्त स्तंभ सूचकांकों के साथ col_start और col_end बदलें। y_label के रूप में y_column_name के स्थान पर लक्ष्य चर वाले स्तंभ का नाम निर्दिष्ट करें.
छठे सेल में, n_comb को मान निर्दिष्ट करके मॉडल अनुकूलन के लिए राउंड की संख्या निर्धारित करें। अधिक अनुकूलन राउंड मॉडल मापदंडों को ठीक करने और मॉडल प्रदर्शन में सुधार करने में मदद करेंगे, लेकिन हम प्रसंस्करण समय भी बढ़ाएंगे। कक्ष का चयन करके नोटबुक निष्पादित करें, फिर मेनू पट्टी से सभी चलाएँ.
वर्कफ़्लो को लागू करने के लिए, कस्टम अनुकूलित मापदंडों के साथ M03a-DeepOmicsAE कार्यान्वयन पर क्लिक करें। ipynb नोटबुक Jupyter नोटबुक मुखपृष्ठ पर. नोटबुक के दूसरे सेल में, M01_output_data.csv के स्थान पर डेटा प्री-प्रोसेसिंग पर जनरेट की गई आउटपुट फ़ाइल का नाम टाइप करें।
पांचवें सेल में, विभिन्न डेटा प्रकारों, जैसे प्रोटिओमिक्स डेटा, मेटाबोलॉमिक्स डेटा, नैदानिक डेटा और सभी आणविक अभिव्यक्ति डेटा के लिए कॉलम स्थिति निर्दिष्ट करें। प्रत्येक डेटा प्रकार के लिए उपयुक्त स्तंभ सूचकांकों के साथ col_start और col_end बदलें। y_label के रूप में y_column_name के स्थान पर लक्ष्य चर वाले स्तंभ का नाम निर्दिष्ट करें.
मेनू बार से रन ऑल के बाद सेल का चयन करें। पीसीए प्लॉट और महत्वपूर्ण फीचर स्कोर का वितरण स्वचालित रूप से स्थानीय फ़ोल्डर में सहेजा जाएगा। प्रत्येक पहचाने गए सिग्नलिंग मॉड्यूल के लिए महत्वपूर्ण सुविधाओं की सूची भी नाम module_n.txt के साथ स्थानीय फ़ोल्डर में पाठ फ़ाइलों के रूप में संग्रहीत की जाएगी।
प्रीसेट पैरामीटर के साथ वर्कफ़्लो को लागू करने के लिए, प्री-सेट पैरामीटर के साथ M03b-DeepOmicsAE कार्यान्वयन पर क्लिक करें। ipynb नोटबुक Jupyter नोटबुक मुखपृष्ठ पर. फिर उसी प्रक्रिया का पालन करें।
नोट करें कि kprot, kmet, और नोटबुक्स के सातवें कक्ष में लेटेंट पैरामीटर पिछले ऑप्टिमाइज़ेशन राउंड के परिणामों के आधार पर स्क्रिप्ट के भीतर स्वचालित रूप से परिकलित किए जाते हैं. प्रोटिओम, मेटाबोलोम, और नैदानिक डेटा 142 पोस्टमॉर्टम मानव मस्तिष्क के नमूनों से प्राप्त व्यक्तियों से प्राप्त होते हैं जो या तो स्वस्थ थे या अल्जाइमर रोग का निदान किया गया था, इस वर्कफ़्लो का उपयोग करके उच्च-आयामी मल्टी-ओमिक्स इनपुट डेटा से सुविधाओं का एक संक्षिप्त सेट निकालने के लिए एक गहन शिक्षण ऑटो-एनकोडर मॉडल के आधार पर विश्लेषण किया गया था। मॉडल पैरामीटर अनुकूलन के परिणाम बताते हैं कि मॉडल के लिए इनपुट के रूप में उपयोग किए जाने वाले प्रोटिओमिक और मेटाबोलिक की विशेषताओं की एक छोटी संख्या का चयन स्वस्थ और अल्जाइमर रोग रोगियों के बीच उच्च स्तर के अलगाव के लिए प्रदान करता है।
जबकि अव्यक्त परत में न्यूरॉन्स की संख्या का मॉडल के प्रदर्शन पर बड़ा प्रभाव नहीं पड़ा। इष्टतम मापदंडों का उपयोग करते हुए, इनपुट डेटा को सारांशित करने वाली सुविधाओं का एक छोटा सेट, जिसे एक्सट्रैक्टेड फीचर्स कहा जाता है, ऑटो-एनकोडर मॉडल की अव्यक्त परत से निकाला गया था। पीसीए विश्लेषण से पता चला है कि नैदानिक समूहों को निकाली गई विशेषताओं द्वारा अलग किया गया था।
हालांकि, समूहों को मूल विशेषताओं द्वारा अच्छी तरह से प्रतिष्ठित नहीं किया गया था, यह दर्शाता है कि निकाली गई विशेषताएं रोग की स्थिति निर्धारित करने के लिए महत्वपूर्ण जानकारी को पकड़ती हैं।
