Name: selecting multiple biomarker subsets with similarly effective binary classification performances
Uploaded: 2018-10-11T13:00:00
Description: Watch this Scientific Journal Video about Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances at JoVE.com

وأيد هذا العمل "برنامج البحوث ذات الأولوية الاستراتيجية" للأكاديمية الصينية للعلوم (XDB13040400) ومنحة بدء التشغيل من جامعة جيلين. تم تقدير المراجعين المجهولين والمستخدمين التجارب الطبية على تعليقاتهم البناءة على تحسين سهولة الاستخدام والأداء الوظيفي لكسولوتيونفيس.

ملاحظة: البروتوكول التالية توضح تفاصيل إجراءات تحليلية المعلوماتية ورموز الزائفة من وحدات رئيسية. واستحدث نظام التحليل التلقائي باستخدام بيثون الإصدار 3.6.0 والباندا وحدات بايثون، سي، نومبي، سسيبي، سكليرن، sys، PyQt5، sys، مرمر، الرياضيات وماتبلوتليب. وترد في الجدول للموادالمواد الم...

تقدم هذه الدراسة بروتوكولا كشف وتوصيف سهلة لمتابعة حل متعدد العلامات البيولوجية لمجموعة بيانات المحددة من قبل المستخدم تصنيف ثنائي. البرنامج يضع تركيز على سهولة الاستخدام وواجهات مرونة الاستيراد والتصدير لمختلف صيغ الملفات، يسمح لباحث الطبية الحيوية للتحقيق في ما مجموعة البيانات بسهو?...

التحقيق تصنيف ثنائي، واحدة من الأكثر استخداماً ويستخدم البيانات تحديا التعدين المشاكل في مجال الطب الحيوي، بناء نموذج تصنيف المدربين في مجموعتين من العينات مع الأكثر دقة التمييز السلطة1، 2 , 3 , 4 , 5 , 6 , 7-ومع ذلك، قد البيانات الكبيرة التي تم إنشاؤها في مجال الطب الحيوي الأصيل "كبير ف الصغيرة n" النموذج، مع العدد من الميزات التي عادة ما تكون أكبر بكثير من عدد العينات6،،من89. ولذلك، يلزم الباحثين الطب الحيوي تخفيض البعد ميزة قبل استخدام خوارزميات التصنيف لتجنب مشكلة8،أوفيرفيتينج9. يتم تعريف المؤشرات الحيوية التشخيص كمجموعة فرعية من الكشف عن ميزات فصل المرضى لمرض معين من مراقبة صحية عينات10،11. عادة ما يتم تعريف المرضى كعينات إيجابية، وضوابط صحية تم تعريفها ك عينات سلبية12.
وأشارت الدراسات الأخيرة أن هناك أكثر من حل واحد مع تصنيف متطابقة أو فعالة وبالمثل العروض ل مجموعة بيانات الطبية الحيوية5. تقريبا كل ميزة اختيار خوارزميات خوارزميات القطعية، المنتجة لحل واحد فقط لنفس مجموعة البيانات. الخوارزميات الجينية قد تولد في الوقت نفسه حلول متعددة مع عروض مماثلة، إلا أنها لا تزال في محاولة لتحديد حل واحد مع الدالة اللياقة البدنية أفضل كناتج13،dataset معطى14.
يمكن تجميع ميزة اختيار خوارزميات تقريبا ك مرشحات أو أغلفة12. ويختار خوارزمية تصفيةك ملامح أعلى-مرتبة حسب ارتباطها الفردية كبيرة مع التسميات الطبقة الثنائية على أساس الافتراض بأن ملامح مستقلة عن بعضها البعض15،16،17 . على الرغم من أن هذا الافتراض لا ينطبق على تقريبا جميع مجموعات البيانات في العالم الحقيقي، القاعدة عامل تصفية افتراضي يؤدي جيدا في كثير من الحالات، على سبيل المثال، الخوارزمية مرمر (التكرار الحد الأدنى والحد الأقصى أهمية)، التصفية ميزة الاختبار على أساس الرتبي (فرانك) الخوارزمية، وارسم ROC (خاصية التشغيل المتلقي) على أساس خوارزمية التصفية (روكرانك). مرمر، خوارزمية تصفية فعالة نظراً لأنه يقترب من مشكلة تقدير اندماجي مع سلسلة من المشاكل أصغر بكثير، مقارنة بالتبعية كحد أقصى ميزة تحديد خوارزمية، فقط كل منها ينطوي على اثنين من المتغيرات، و ولذلك يستخدم العشوائية الاحتمالات المشتركة التي هي أقوى18،19. ومع ذلك، قد مرمر نقلل من فائدة بعض الميزات كما أنها لا تقيس التفاعلات بين الميزات التي يمكن أن تزيد من أهميتها، وهكذا يفتقد بعض تركيبات ميزة منفردة عديمة الفائدة ولكنها مفيدة فقط عندما جنبا إلى جنب. خوارزمية فرانك يحسب نقاط غير حدودي التمييزية كيف ميزة بين فئتين من العينات، وتشتهر متانة للقيم المتطرفة20،21. وعلاوة على ذلك، تقيم خوارزمية روكرانك كيف كبيرة المنطقة تحت ROC المنحنى (AUC) لميزة معينة لتصنيف ثنائي التحقيق أداء22،23.
من ناحية أخرى، مجمع يقيم أداء المصنف المعرفة مسبقاً في مجموعة فرعية ميزة معينة، تكراري إنشاؤها بواسطة قاعدة الكشف عن مجريات الأمور، ويقوم بإنشاء مجموعة فرعية ميزة مع قياس الأداء أفضل24. مجمع عموما يتفوق عامل تصفية في أداء التصنيف ولكن يعمل أبطأ25. على سبيل المثال، يستخدم خوارزمية27 26،الغابات تنظيم عشوائي (الرد) قاعدة الجشع، بتقييم الميزات على مجموعة فرعية من البيانات التدريب في كل عقده الغابات العشوائية، عشرات أهمية الميزة التي يتم تقييمها بواسطة مؤشر جيني . اختيار سمة جديدة سوف يعاقب إذا لم تتحسن في كسب المعلومات أن من السمات المختارة. بالإضافة إلى ذلك، تحليل التنبؤ [ميكروارس] (بام)28،خوارزمية29 ، أيضا خوارزمية برنامج تضمين، يحسب centroid لكل تسميات الفئة، وثم تحديد ميزات لتقليص سينترويدس الجينات نحو الشاملة فئة centroid. أم قوي لميزات البعيدة.
قد يلزم حلول متعددة مع أداء أعلى تصنيف أي مجموعة معينة من البيانات. أولاً، يتم تعريف الهدف الأمثل خوارزمية قطعية صيغة رياضية، مثلاً، معدل خطأ الحد الأدنى30، التي ليست بالضرورة مثالية للعينات البيولوجية. ثانيا، قد يكون إحدى وحدات dataset حلول متعددة، تختلف اختلافاً كبيرا، مع الأداء الفعال أو حتى مطابقة مماثلة. تقريبا جميع خوارزميات اختيار ميزة موجودة عشوائياً تحديد واحد من هذه الحلول ك إخراج31.
وسوف أعرض هذه الدراسة بروتوكولا تحليلية المعلوماتية لتوليد ميزة اختيار حلول متعددة مع عروض مماثلة لأي تصنيف ثنائي معين dataset. إذ ترى أن الباحثين الطبية الأكثر ليسوا مطلعين على تقنيات المعلوماتية أو الكمبيوتر الترميز، وضعت واجهة مستخدم رسومية سهلة الاستخدام (GUI) لتسهيل التحليل السريع لمجموعات البيانات الطبية الحيوية تصنيف ثنائي. البروتوكول تحليلية يتكون من تحميل البيانات وتلخيص وضبط المعلمة وتنفيذ خط أنابيب وتفسيرات النتيجة. بنقرة بسيطة، الباحث قادراً على توليد مجموعات فرعية العلامات البيولوجية ومؤامرات التصور نوعية المنشور. تم اختبار البروتوكول استخدام ترانسكريبتوميس لمجموعات تصنيف ثنائي اثنين من الحاد الليمفاوي اللوكيميا (الكل)، أي، ALL1 و ALL212. مجموعات البيانات ALL1 و ALL2 تم تحميلها من قاعدة عريضة معهد الجينوم تحليل مركز البيانات، متاح على http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 يحتوي على عينات 128 مع ميزات 12,625. من هذه العينات، وهي 95 ب-الخلية هي جميعا و 33 تي خلية كافة. ALL2 يشمل 100 عينة مع ميزات 12,625 كذلك. من هذه العينات، وهناك 65 مريضا يعاني انتكاسة و 35 مريضا لم يكن. وكان ALL1 dataset من سهل تصنيف ثنائي، مع دقة الحد أدنى من أربع مرشحات وأربعة أغلفة يجري 96.7 في المائة، و 6 من خوارزميات انتقاء 8 ميزة تحقيق 100%12. وبينما كان ALL2 dataset أكثر صعوبة، مع خوارزميات اختيار 8 ميزة تحقيق ليس أفضل من دقة 83.7%12أعلاه. وقد تحقق هذا أفضل دقة مع ميزات 56 الكشف عنها بواسطة خوارزمية برنامج التضمين، اختيار ميزة المستندة إلى العلاقة (لجنة الأمن الغذائي).

<table border="0" cellpadding="0" cellspacing="0" style="width:669px;" width="669">
	<tbody>
		<tr height="22">
			<td height="22" style="height:22px;width:81px;">Hardware</td>
			<td style="width:88px;"></td>
			<td style="width:137px;"></td>
			<td style="width:363px;"></td>
		</tr>
		<tr height="64">
			<td height="64" style="height:64px;width:81px;">laptop</td>
			<td style="width:88px;">Lenovo</td>
			<td style="width:137px;">X1 carbon</td>
			<td style="width:363px;">Any computer works. Recommended minimum configuration: 1GB extra hard disk space, 1 GB memory, 2.0MHz CPU</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:81px;">Name</td>
			<td style="width:88px;">Company</td>
			<td style="width:137px;">Catalog Number</td>
			<td style="width:363px;">Comments</td>
		</tr>
		<tr height="22">
			<td height="22" style="height:22px;width:81px;">Software</td>
			<td style="width:88px;"></td>
			<td style="width:137px;"></td>
			<td style="width:363px;"></td>
		</tr>
		<tr height="43">
			<td height="43" style="height:43px;width:81px;">Python 3.0</td>
			<td style="width:88px;">WingWare</td>
			<td style="width:137px;">Wing Personal</td>
			<td style="width:363px;">Any python programming and running environments support Python version 3.0 or above</td>
		</tr>
	</tbody>
</table>

selecting multiple biomarker subsets with similarly effective binary classification performances

الكشف عن العلامات البيولوجية واحدة من المسائل الطبية البيولوجية أكثر أهمية للباحثين الفائق 'اوميكس'، وتقريبا جميع خوارزميات الكشف عن العلامات البيولوجية الموجودة تولد فرعية العلامات البيولوجية واحدة بقياس الأداء الأمثل لمجموعة معينة من البيانات . بيد أن دراسة أجريت مؤخرا أظهر وجود عدة مجموعات فرعية العلامات البيولوجية مع تصنيف فعالة وبالمثل أو حتى مطابقة العروض. ويقدم هذا البروتوكول منهجية بسيطة ومباشرة للكشف عن العلامات البيولوجية مجموعات فرعية مع العروض تصنيف ثنائي، أفضل من قطع المعرفة من قبل المستخدم. ويتكون البروتوكول من إعداد البيانات وتحميل تلخيص معلومات خط الأساس، ضبط المعلمة، فحص العلامات البيولوجية، التصور نتيجة والتفسير، وشروح الجينات العلامات البيولوجية وتصدير النتيجة والتصور في نوعية المنشور. العلامات البيولوجية المقترحة فحص استراتيجية بديهية ويوضح قاعدة عامة لتطوير خوارزميات الكشف عن العلامات البيولوجية. تم تطوير واجهة مستخدم رسومية سهلة الاستخدام (GUI) باستخدام لغة البرمجة بايثون، السماح للباحثين الطبية الحيوية الوصول المباشر إلى نتائجها. يمكن تحميل التعليمات البرمجية المصدر والدليل من كسولوتيونفيس من http://www.healthinformaticslab.org/supp/resources.php.

والهدف من سير العمل هذا (الشكل 6) الكشف عن عدة مجموعات فرعية العلامات البيولوجية مع كفاءات مماثلة لمجموعة بيانات تصنيف ثنائي. ويصور اثنين من مجموعات البيانات المثال ALL1 و ALL2 المستخرجة من الكشف عن العلامات البيولوجية نشرت مؤخرا دراسة12،<sup...

Watch this Scientific Journal Video about Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances at JoVE.com

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

الخوارزميات الموجودة إيجاد حل واحد لمجموعة بيانات الكشف عن العلامات البيولوجية. هذا البروتوكول يوضح وجود حلول فعالة وبالمثل متعددة ويقدم برمجيات سهلة الاستخدام لمساعدة الباحثين الطبية التحقيق على مجموعات البيانات لتحدي المقترحة. علماء الكمبيوتر قد توفر هذه الميزة في العلامات البيولوجية على خوارزميات الكشف.

تحديد مجموعات فرعية العلامات البيولوجية متعددة مع المثل تصنيف ثنائي فعال العروض

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker ...

يمكن أن يساعد هذا الإجراء في الإجابة على الأسئلة الرئيسية في مجال الكشف الطبي الحيوي حول توليد حلول متعددة. والميزة الرئيسية لهذه التقنية هي أنها توفر واجهة مستخدم رسومية سهلة الاستخدام لمساعدة الباحثين في الطب الحيوي في الكشف عن الإعانات المتعددة للميزات. تبدأ عن طريق تحميل مصفوفة البيانات وتسميات الفئة في البرنامج.انقر فوق مصفوفة تحميل البيانات لتحديد ملف مقاييس البيانات المحدد للمستخدم وتحميل تسميات الفئة لتحديد ملف تسمية الفئة المقابلة. لتحديد تسميات الفئة في عدد من الميزات الأعلى مرتبة، حدد أسماء الفئات الموجبة والسلبية في المربعات المنسدلة المناسبة وحدد 10 كـ عدد من الميزات الأعلى مرتبة في المربع المنسدل X العلوي لشاشة شاملة من مجموعة فرعية للميزة. لضبط معلمات النظام للأداءات المختلفة، حدد دقة قياس الأداء كمربع إسقاط دقة متوازنة الدقة للمصنفات ماكينات التعلم الشديدة المحددة.ثم حدد قيمة قطع 0.7 لقياس الأداء المحدد في مربع إدخال قطع الأداء. لتشغيل خط الأنابيب، انقر فوق تحليل وحدد 0.7 كقيمة افتراضية لـ قطع قياس الأداء. و، 10 كرقم افتراضي من أفضل مجموعة فرعية ميزة.ثم جمع وتفسير الميزات التي كشفها البرنامج. لإنشاء مخطط مبعثر ثلاثي الأبعاد لـ الميزات العشر الأولى للمجموعات الفرعية مع أفضل أداء تصنيف تم الكشف عنه بواسطة البرنامج، انقر فوق تحليل وفرز الميزات الثلاث في مجموعة فرعية للميزات بترتيب تصاعدي لرتبها، باستخدام صفوف الميزات الثلاث مثل محاور F1 وF2 وF3. تغيير قيمة قطع الأداء إلى 0.7 وانقر فوق تحليل لإنشاء مخطط مبعثر 3D من المجموعات الفرعية ميزة مع أكبر من أو يساوي إلى أداء قطع قيمة قياس الأداء.ثم انقر فوق ضبط 3D لفتح نافذة جديدة لضبط يدوي من زوايا العرض من مؤامرة مبعثر 3D والحد من الحد من التكرار من مجموعات فرعية ميزة الكشف عن. لإضافة تعليق توضيحي على جين في مستويات تسلسل الحمض النووي والبروتين، افتح صفحة ويب قاعدة بيانات ديفيد وانقر على رابط تحويل معرف الجينات لإدخال معرفات المعالم للمجموعة الفرعية الأولى من المؤشرات الحيوية لمجموعة البيانات المعدة. انقر فوق ارتباط قائمة الجينات وانقر على قائمة إرسال لاسترداد التعليقات التوضيحية ذات الاهتمام، ثم عرض قائمة الجينات للحصول على قائمة رموز الجينات.بعد ذلك، افتح صفحة ويب قاعدة بيانات GeneCards وأدخل اسم الجين الذي يهمك في مربع إدخال استعلام قاعدة البيانات للعثور على التعليقات التوضيحية لهذا الجين. فتح الميراث Mendelian على الانترنت في قاعدة بيانات الرجل والبحث عن الجين للعثور على الشروح من هذا الجين من قاعدة البيانات. لإضافة تعليقات توضيحية على البروتينات المشفرة، افتح صفحة قاعدة بيانات UniProt Knowledge base وابحث عن الشروح للجين من قاعدة البيانات هذه.افتح نظام التنبؤ الجماعي القائم على مجموعة، أو خادم الويب GPS، واسترد تسلسل البروتين المشفر بواسطة الجين البيوماركير من قاعدة بيانات قاعدة معارف UniProt واستخدم أداة GPS عبر الإنترنت للتنبؤ ببقايا التعديل بعد المرحلة الانتقالية للبروتينات. لإضافة تعليقات على التفاعلات البروتين البروتين وهناك وحدات وظيفية المخصب، وفتح صفحة خادم الويب سلسلة واستخدام قاعدة بيانات سلسلة للبحث في رفع للجينات ذات الأهمية للعثور على خصائصهم مدبرة. لتصدير المجموعات الفرعية المحددة للعلامات الحيوية لمزيد من التحليل، انقر فوق تصدير الجدول وحدد تنسيق النص المناسب لحفظ الملفات.ثم، تصدير التصور المؤامرات كملفات صورة فردية، والنقر حفظ تحت كل مؤامرة وتحديد تنسيق الصورة المناسبة لحفظ كل ملف. في هذه التجربة التمثيلية، تم تنسيق مجموعتين من البيانات كملفات CSV وتحميلها في البرنامج كما هو موضح. وفي مجموعة البيانات الأولى، تم تحميل 128 عينة تحتوي على 625 12 من السمات وتسميات الفئات الفردية بمصفوفة البيانات النهائية التي تحتوي على 95 عينة سلبية و 33 عينة إيجابية.وأجريت أيضا عمليات مماثلة لمجموعة البيانات الصعبة الثانية. يكشف البحث عن كلمة أساسية خاصة بالمستخدم في أسماء المعالم عن رسم بياني للميزات لكل مجموعة بيانات. بعد تنفيذ خوارزمية خط الأنابيب لكل مجموعة بيانات، تم الكشف عن 120 مجموعة فرعية مؤهلة من المؤشرات الحيوية لمجموعة البيانات سهلة التمييز، مع 57 مجموعة فرعية ثلاثية العلامات الحيوية التي تظهر دقة 100٪.ومع ذلك، لم يتم اكتشاف سوى 76 مجموعة فرعية من المؤشرات الحيوية لمجموعة البيانات الصعبة. ومع وجود دقة فرعية أقل للعلامات الحيوية تشير إلى أن المؤشرات الحيوية هي نوع ظاهري محدد ، وهو تحد رئيسي آخر في الكشف عن المؤشرات الحيوية. أثناء استخدام هذا الإجراء، من المهم أن تتذكر أن مشكلة الاختيار المستقبلية لها حلول متعددة.اقرأ أفضل أداء في بطاقة SIM. بعد تطورها، مهدت هذه التقنية الطريق للباحثين في الطب الحيوي لاستكشاف الكشف الطبي الحيوي مع حلول متعددة.

Research

JoVE Journal

Cancer Research

Anticancer Efficacy of Photodynamic Therapy with Lung Cancer-Targeted Nanoparticles

المضادة للسرطان فعالية من العلاج الضوئي مع النانوية المستهدفة السرطان والرئة

Photodynamic therapy (PDT) is a non-invasive and non-surgical method representing an attractive alternative choice for lung cancer treatment. ...

Counting Proteins in Single Cells with Addressable Droplet Microarrays

عد البروتينات في الخلايا المفردة مع الحبرية عنونة [ميكروارس]

Often cellular behavior and cellular responses are analyzed at the population level where the responses of many cells are pooled together as an average ...

Laparoscopic Pancreatoduodenectomy With Modified Blumgart Pancreaticojejunostomy

بانكرياتودودينكتومي المنظار مع تعديل بلومجارت بانكريتيكوجيجونوستومي

Minimally invasive pancreatic resections are technically demanding but rapidly increasing in popularity. In contrast to laparoscopic distal ...

Multimodal Bioluminescent and Positronic-emission Tomography/Computational Tomography Imaging of Multiple Myeloma Bone Marrow Xenografts in NOG Mice

التصوير التصوير المقطعي المتعدد الوسائط طرحه والانبعاثات Positronic التصوير المقطعي/الحسابية للورم النخاعي المتعدد تكثيفها نخاع العظام في الفئران وتد

Multiple myeloma (MM) tumors engraft in the bone marrow (BM) and their survival and progression are dependent upon complex molecular and cellular ...

Phospho Flow Cytometry with Fluorescent Cell Barcoding for Single Cell Signaling Analysis and Biomarker Discovery

والرمات التدفق الخلوي مع الخلية الفلورسنت المتوازية لخلية واحدة فقط مما يشير إلى تحليل واكتشاف العلامات البيولوجية

Aberrant cell signaling plays a central role in cancer development and progression. Most novel targeted therapies are indeed directed at proteins and ...

Repression of Multiple Myeloma Cell Growth In Vivo by Single-wall Carbon Nanotube (SWCNT)-delivered MALAT1 Antisense Oligos

Repression of Multiple Myeloma Cell Growth In Vivo by Single-wall Carbon Nanotube SWCNT-delivered MALAT1 Antisense Oligos

القمع لنمو الخلايا الورم النخاعي المتعدد في فيفو بالكربون واحد-جدار أنبوب نانوي (سوكنت)--تسليم العقاقير أوليجوس MALAT1

The single-wall carbon nanotube (SWCNT) is a new type of nanoparticle, which has been used to deliver multiple kinds of drugs into cells, such as ...

Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases

أداء استخراج البيانات والتحليل التكاملي لمؤشر الحيوية في سرطان الثدي باستخدام قواعد بيانات متعددة يمكن الوصول اليها علنا

In recent years, emerging databases were designed to lower the barriers for approaching the intricate cancer genomic datasets, thereby, facilitating ...

Analyzing Tumor Gene Expression Factors with the CorExplorer Web Portal

تحليل الأورام الجينية عوامل التعبير مع البوابة الكترونيه CorExplorer

Differential gene expression analysis is an important technique for understanding disease states. The machine learning algorithm CorEx has shown utility ...

Simultaneous Imaging and Flow-Cytometry-based Detection of Multiple Fluorescent Senescence Markers in Therapy-Induced Senescent Cancer Cells

التصوير المتزامن والكشف القائم على قياس التدفق الخلوي لعلامات الشيخوخة الفلورية المتعددة في الخلايا السرطانية الشائخة الناجمة عن العلاج

Chemotherapeutic drugs can induce irreparable DNA damage in cancer cells, leading to apoptosis or premature senescence. Unlike apoptotic cell death, ...