Başlamak için Jupyter not defteri giriş sayfasında M02-DeepOmicsAE model optimizasyonuna tıklayın. ipynb not defterini yeni bir sekmede açmak için. Not defterinin ikinci hücresine, M01_output_data.csv yerine veri ön işlemesi sırasında oluşturulan çıktı dosyasının adını yazın.
Beşinci hücrede, proteomik veriler, metabolomik veriler, klinik veriler ve tüm moleküler ekspresyon verileri gibi farklı veri türleri için sütun konumlarını belirtin. col_start ve col_end değerini her veri türü için uygun sütun dizinleriyle değiştirin. y_column_name yerine hedef değişkeni içeren sütunun adını y_label olarak belirtin.
Altıncı hücrede, n_comb bir değer atayarak model optimizasyonu için tur sayısını tanımlayın. Daha fazla optimizasyon turu, model parametrelerinde ince ayar yapılmasına ve model performansının iyileştirilmesine yardımcı olur, ancak aynı zamanda işleme süresini de artırırız. Hücre'yi ve ardından menü çubuğundan Tümünü Çalıştır'ı seçerek not defterini yürütün.
İş akışını uygulamak için, özel olarak optimize edilmiş parametrelerle M03a-DeepOmicsAE uygulamasına tıklayın. ipynb not defteri Jupyter not defteri ana sayfasında. Not defterinin ikinci hücresine, M01_output_data.csv yerine veri ön işlemesi sırasında oluşturulan çıktı dosyasının adını yazın.
Beşinci hücrede, proteomik veriler, metabolomik veriler, klinik veriler ve tüm moleküler ekspresyon verileri gibi farklı veri türleri için sütun konumlarını belirtin. col_start ve col_end değerini her veri türü için uygun sütun dizinleriyle değiştirin. y_column_name yerine hedef değişkeni içeren sütunun adını y_label olarak belirtin.
Hücre'yi ve ardından Tümünü Çalıştır'ı menü çubuğundan seçin. PCA grafikleri ve önemli özellik puanlarının dağıtımı otomatik olarak yerel klasöre kaydedilecektir. Tanımlanan her sinyal modülü için önemli özelliklerin listeleri, module_n.txt adlarıyla yerel klasörde metin dosyaları olarak da saklanacaktır.
İş akışını önceden ayarlanmış parametrelerle uygulamak için, önceden ayarlanmış parametrelerle M03b-DeepOmicsAE uygulamasına tıklayın. ipynb not defteri Jupyter not defteri ana sayfasında. Sonra aynı prosedürü izleyin.
Not defterlerinin yedinci hücresindeki kprot, kmet ve latent parametrelerinin, önceki iyileştirme turlarının sonuçlarına göre kod içinde otomatik olarak hesaplandığını unutmayın. Sağlıklı veya Alzheimer hastalığı teşhisi konmuş bireylerden elde edilen 142 ölüm sonrası insan beyni örneğinden elde edilen proteom, metabolom ve klinik veriler, yüksek boyutlu çoklu omik girdi verilerinden kısa bir dizi özellik çıkarmak için derin öğrenme otomatik kodlayıcı modeline dayalı bu iş akışı kullanılarak analiz edildi. Model parametre optimizasyonundan elde edilen sonuçlar, model için girdi olarak kullanılacak az sayıda proteomik ve metabolomik özelliğin seçilmesinin, sağlıklı ve Alzheimer hastalığı hastaları arasında daha yüksek derecede bir ayrım sağladığını göstermektedir.
Oysa gizli katmandaki nöronların sayısı, modelin performansı üzerinde büyük bir etkiye sahip değildi. Optimum parametreler kullanılarak, çıkarılan özellikler olarak adlandırılan girdi verilerini özetleyen küçük bir özellik kümesi, otomatik kodlayıcı modelinin gizli katmanından çıkarıldı. PCA analizi, tanı gruplarının çıkarılan özelliklere göre ayrıldığını gösterdi.
Bununla birlikte, gruplar orijinal özelliklerle iyi ayırt edilmedi, bu da çıkarılan özelliklerin hastalık durumunu belirlemek için çok önemli bilgileri yakaladığını gösteriyor.
