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

עבודה זו נתמכה על-ידי התוכנית האסטרטגית של מחקר עדיפות של האקדמיה הסינית למדעים (XDB13040400) ואת המענק הפעלה מאוניברסיטת ג'ילין. הסוקרים אנונימיים ומשתמשים בדיקות ביו היו להערכה על הערותיהם בונה על שיפור את השימושיות ואת הפונקציונליות של kSolutionVis.

הערה: פרוטוקול הבאים מתאר את פרטי ההליך האנליטי אינפורמטיקה וקודים מדומה של המודולים העיקריים. מערכת ניתוח אוטומטיות פותחה באמצעות פיתון גרסה 3.6.0 ו פנדה מודולים של פייתון, abc, numpy, scipy, sklearn, sys, PyQt5, sys, mRMR, מתמטיקה, matplotlib. החומרים אשר השתמשו במחקר זה מפורטים בטבלה של חומרים.
<p class="jove_ti...

מחקר זה מציג פרוטוקול זיהוי ואפיון של easy-to-בצע פתרון רב סמן עבור dataset איבחונים מוגדרים על-ידי המשתמש. התוכנה שמה דגש על ידידותיות למשתמש ממשקים גמיש ייבוא/ייצוא בתבניות קובץ שונות, ומאפשר חוקרת ביו לחקור את הנתונים (dataset) בקלות באמצעות GUI של התוכנה. מחקר זה מדגיש גם את הצורך של יצירת פתרון אחד...

חקר איבחונים, נפוץ ביותר, כריית בעיות באזור ביו, מאתגר נתונים משמש לבניית מודל סיווג מאומן על שתי קבוצות של דגימות עם המדויקות ביותר אפליה כוח1, 2 , 3 , 4 , 5 , 6 , 7. עם זאת, הנתונים הגדול שנוצר בתחום הביו-רפואי יש את הגלום "גדול p קטנה n" הפרדיגמה, עם מספר תכונות בדרך כלל הרבה יותר גדול מאשר מספר דוגמאות6,8,9. לכן, חוקרים ביו יש להפחית את הממד תכונה לפני ניצול של אלגוריתמים כדי להימנע overfitting בעיה8,9. אבחון סמנים ביולוגיים מוגדרים קבוצת משנה של תכונות שזוהו המפריד בין המטופלים של מחלה נתונה מ בקרה בריאים דגימות10,11. חולים הם בדרך כלל מוגדר כ הדגימות החיוביות, הפקדים בריא מוגדרים דגימות שליליות12.
מחקרים שנעשו לאחרונה הראו כי קיים פתרון אחד או יותר עם הופעות סיווג זהים או לתוצאה דומה עבור ביו הנתונים (dataset)5. כמעט כל תכונה את האלגוריתמים הבחירה הם אלגוריתמים דטרמיניסטי, לייצר פתרון אחד בלבד ערכת הנתונים זהה. אלגוריתמים גנטיים בו-זמנית עשוי ליצור פתרונות מרובים עם הופעות דומות, אבל הם עדיין מנסים לבחור פתרון אחד עם הפונקציה כושר הכי טוב בתור הפלט עבור הנתונים (dataset) נתון13,14.
התכונה בחירה אלגוריתמים ניתן לקבץ בערך כמו מסננים או עטיפות12. אלגוריתם הסינון בוחר העליון -k התכונות מדורגת על ידי שיוכם בודדים משמעותית עם תוויות מחלקה בינארי מבוסס על ההנחה כי התכונות אינם תלויים אחד בשני15,16,17 . אף על פי הנחה זו לא מחזיקה נכון עבור כמעט כל datasets בעולם האמיתי, הכלל מסנן האוריסטי מבצע טוב במקרים רבים, למשל, האלגוריתם (מינימום יתירות והרלוונטיות המרבי) mRMR, Wilcoxon בדיקה בהתאם תכונת הסינון (WRank) אלגוריתם, ואת העלילה ROC (מאפיין ההפעלה מקלט) המבוסס על אלגוריתם הסינון (ROCRank). mRMR, הוא אלגוריתם יעיל מסנן כי זה קרוב הבעיה שערוך קומבינטורית עם סדרה של בעיות הרבה יותר קטן, השוואת מרבי-תלות תכונה בחירת אלגוריתם, שכל אחד מהם כרוך רק שני משתנים, ו לכן משתמש pairwise הסתברויות משותף אשר הם עמידים יותר18,19. עם זאת, mRMR עשוי לזלזל התועלת של תכונות מסוימות כמו זה לא למדוד את האינטראקציות בין תכונות אשר יכול להגביר את הרלוונטיות, ובכך מחטיא כמה שילובים תכונה חסרי תועלת בנפרד, אבל הם שימושיים רק כאשר משולב. האלגוריתם WRank חישוב ציון פרמטרית של איך שמסווגת תכונה בין שתי מחלקות של דגימות, והוא ידוע בזכות החוסן שלה ליניאריים20,21. יתר על כן, האלגוריתם ROCRank מעריך כמה משמעותית האזור תחת ROC העקומה (AUC) של תכונה מסוימת היא איבחונים ובדוקים ביצועים22,23.
מצד שני, עטיפת מוערך של המסווג מוגדרים מראש הביצועים של תת-ערכה תכונה נתונה, iteratively שנוצר על ידי כלל היריסטי, ויוצר את ערכת המשנה של תכונה עם מדידת הביצועים הטובה ביותר24. עטיפת בדרך כלל outperforms מסנן הביצועים סיווג אך פועל לאט יותר25. לדוגמה, האלגוריתם27 26,היער אקראי התפלגות (RRF) משתמש כלל חמדן, המעריכה את התכונות על קבוצת משנה של הנתונים הדרכה בכל צומת יער אקראי, ציונים החשיבות של מי תכונה מוערכים על ידי מדד גיני . הבחירה של תכונה חדשה נענש אם שלה רווח מידע לא לשפר את התכונות שבחרת. בנוסף, הניתוח חיזוי עבור מיקרו-מערכים (פאם)28,אלגוריתם29 , גם באלגוריתם מעטפת, מחשבת של centroid עבור כל התוויות מחלקה ובוחרת ואז תכונות כדי לכווץ את centroids ג'ין כלפי הכולל הכיתה centroid. . פאם היא חזקה עבור תכונות המרוחקים.
פתרונות מרובים עם ביצועים סיווג העליון עשוי להיות נחוץ עבור כל ערכת נתונים נתונה. ראשית, המטרה אופטימיזציה של אלגוריתם דטרמיניסטי זו מוגדרת על ידי הנוסחה המתמטית, למשל, שיעור שגיאה מינימום30, אשר אינה בהכרח אידיאלי עבור דגימות ביולוגיות. שנית, dataset ייתכן מרובות, פתרונות שונים באופן משמעותי, עם הופעות דומות יעיל או אפילו זהים. כמעט כל תכונה קיימת בחירה אלגוריתמים יבחר אחד הפתרונות האלה באופן אקראי כמו פלט31.
מחקר זה תציג פרוטוקול אנליטית אינפורמטיקה ליצירת פתרונות הבחירה תכונה מרובים עם הופעות דומות עבור כל נתון איבחונים הנתונים (dataset). בהתחשב בכך כי החוקרים ביותר ביו אינם מכירים טכניקות informatic או בקידוד ממוחשב, ממשק משתמש גרפי ידידותי למשתמש (GUI) פותחה כדי להקל על הבדיקה המהירה של איבחונים ביו datasets. פרוטוקול אנליטית מורכבת טעינת נתונים המסכם, פרמטר הכוונון, צינור ביצוע ואת התוצאה פרשנויות. בלחיצה פשוטה, החוקר הוא מסוגל לייצר את סמן קבוצות משנה וחלקות ויזואליזציה באיכות פרסום. הפרוטוקול נבדקו באמצעות את transcriptomes של שני איבחונים datasets חריפה לימפוציטית לוקמיה (כל), דהיינו, ALL1 ו- ALL212. Datasets ALL1 ו ALL2 היו להוריד רחבה המכון הגנום ניתוח במרכז הנתונים, לרשותכם http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 מכיל דגימות 128 עם תכונות 12,625. הדוגמאות הללו, 95 נמצאים תאי B כל 33 הם T-cell כל. ALL2 כוללת 100 דגימות עם תכונות 12,625 גם כן. הדוגמאות הללו, ישנם חולים 65 שסבלו relapse ומטופלים 35 זה לא. ALL1 היה dataset איבחונים קל, עם דיוק המינימלי ארבעת עטיפות להיות 96.7% ו- 6 של אלגוריתמי הבחירה של תכונה 8 להשגת 100%12ומסננים ארבע. בעוד ALL2 היה dataset קשה יותר, עם תכונת 8 לעיל את הבחירה האלגוריתמים להשגת לא יותר 83.7% דיוק12. למידת הדיוק הזה הושג עם תכונות 56 זוהה על ידי האלגוריתם מעטפת, בחירת תכונה מבוססת קורלציה (CFS).

<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

סמן זיהוי היא אחת מהשאלות ביו יותר חשוב לחוקרים תפוקה גבוהה 'טכנולוגיות"ולהפיק כמעט כל האלגוריתמים זיהוי סמן קיימת תת-קבוצה סמן אחד עם מדידה מיטביים עבור dataset נתון . עם זאת, מחקר שנערך לאחרונה הפגינו את קיום קבוצות משנה מרובים סמן עם הופעות סיווג לתוצאה דומה או אפילו זהה. פרוטוקול זה מציג מתודולוגיה פשוטה לגילוי קבוצות משנה סמן עם הופעות איבחונים, טוב יותר על-ידי המשתמש ניתוק. הפרוטוקול מורכב נתוני הכנה, טעינה, סיכום מידע תוכנית בסיסית, פרמטר הכוונון, סמן ההקרנה, תוצאה ויזואליזציה, פרשנות, סמן גנטי ביאורים, exportation תוצאה והדמיה - איכות הפרסום. סמן המוצע הקרנת אסטרטגיה הוא אינטואיטיבי ומדגים כללי לפיתוח אלגוריתמים גילוי סמן. ממשק משתמש גרפי ידידותי למשתמש (GUI) פותחה באמצעות שפת התיכנות פיתון, ומאפשר ביו לחוקרים יש גישה ישירה אל התוצאות שלהם. ניתן להוריד את קוד המקור ואת המדריך של kSolutionVis http://www.healthinformaticslab.org/supp/resources.php.

המטרה של זרימת עבודה זו (איור 6) היא לזהות קבוצות משנה מרובים סמן בעזרת יעילות דומה עבור dataset איבחונים. התהליך כולו מודגם על ידי שני datasets דוגמה ALL1, ALL2 מופק של זיהוי התפרסמו לאחרונה סמן ללמוד12,48. משתמש יכול להתקין kSolutionVis על פי ה...

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

קיימים אלגוריתמים לייצר פתרון אחד עבור dataset זיהוי ' סמן '. פרוטוקול זה מדגים את קיום פתרונות מרובים לתוצאה דומה ומציג תוכנה ידידותית למשתמש כדי לסייע לחוקרים ביו לחקור datasets שלהם בשביל האתגר המוצע. מדעני מחשב עשויים גם כן לספק תכונה זו בשלהם סמן זיהוי אלגוריתמים.

בחירת קבוצות משנה מרובים סמן עם הופעות איבחונים יעיל באופן דומה

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

אמצעי זה יכול לסייע לענות על שאלות מפתח בתחום הגילוי הביו-רפואי אודות יצירת פתרונות מרובים. היתרון העיקרי של טכניקה זו הוא שהיא מספקת ממשק משתמש גרפי ידידותי למשתמש לסיוע לחוקרים ביו-רפואיים בזיהוי תכונות מרובות שוככת. התחל בטעינת הנתונים מטריקס ותוויות מחלקה לתוכנה.לחץ על טען מטריצת נתונים כדי לבחור את קובץ מדדי הנתונים שצוין על-ידי המשתמש וטען תוויות מחלקה כדי לבחור את קובץ תוויות המחלקה המתאים. כדי לקבוע את תוויות המחלקה במספר התכונות המדורגות במקום הראשון, בחר את שמות המחלקות החיוביות ושליליות בתיבות הנפתחות המתאימות ובחר 10 כמספר התכונות המדורגות ביותר בתיבה הנפתחת X העליונה לקבלת מסך מקיף של קבוצת המשנה של התכונה. כדי לכוונן את פרמטרי המערכת עבור ביצועים שונים, בחר את דיוק מדידת הביצועים כתיבה הנפתחת דיוק מאוזן דיוק עבור מסווג מכונת הלמידה הקיצונית שנבחר.לאחר מכן, בחר ערך ניתוק של 0.7 עבור מדידת הביצועים שצוינה בתיבת הקלט של ניתוק הביצועים. כדי להפעיל את הצבר, לחץ על נתח ובחר 0.7 כערך ברירת המחדל של מדידת הביצועים שנחתכה. בנוסף, 10 כמספר ברירת המחדל של ערכות המשנה של התכונות הטובות ביותר.לאחר מכן לאסוף ולפרש את התכונות שזוהו על ידי התוכנה. כדי ליצור חלקת פיזור תלת-מימדית של 10 התכונות המובילות של קבוצות המשנה עם ביצועי הסיווג הטובים ביותר שזוהו על-ידי התוכנה, לחץ על נתח ומיין את שלוש התכונות בקבוצה משנית של תכונות בסדר עולה של שורותיהן, תוך שימוש בשורות שלושת התכונות כצירים F1, F2 ו- F3. שנה את ערך החיתוך של הביצועים ל- 0.7 ולחץ על analyze כדי ליצור התוויית פיזור תלת-ממדית של ערכות המשנה של התכונות עם ערך מדידת ביצועים גדול או שווה לביצועים.לאחר מכן לחצו על 'כוונון תלת-מימדי' כדי לפתוח חלון חדש לכוונון ידני של זוויות התצוגה של התוויית פיזור תלת-מימדית וצמצמו את היתירות של תת-קבוצות התכונות שזוהו. כדי להוסיף ביאורים לגן הן ברמות הדנ"א והן ברמות רצף החלבון, פתח את דף האינטרנט של מסד הנתונים David ולחץ על הקישור להמרת מזהה הגן כדי להזין את מזהי התכונות של תת-ערכת הסמן הביולוגי הראשונה של ערכת הנתונים המוכנה. לחץ על הקישור לרשימת הגנים ולחץ על שלח רשימה כדי לאחזר את הביאורים של עניין, ולהראות רשימת גנים כדי לקבל את הרשימה של סמלי Gene.לאחר מכן, פתח את דף האינטרנט של מסד הנתונים GeneCards והזן את שם הגן המעניין בתיבת הקלט של שאילתת מסד הנתונים כדי למצוא את הביאורים של גן זה. פתח את הירושה המקוונת מנדליאנית באדם וחפש את הגן כדי למצוא את הביאורים של גן זה מתוך מסד הנתונים. כדי להוסיף ביאורים לחלבונים המקודדים, פתח את דף מסד הנתונים של מאגר הידע UniProt וחפש את הביאורים של הגן ממסד נתונים זה.פתח את מערכת החיזוי מבוססת הקבוצה, או שרת האינטרנט GPS, ולאחזר את רצף החלבון מקודד על ידי הגן סמן ביולוגי מתוך מסד הנתונים של מאגר הידע UniProt ולהשתמש בכלי ה-GPS המקוון כדי לחזות את החלבונים לאחר שינוי המעבר שאריות. כדי לבאר את אינטראקציות החלבון-חלבון ושם מועשר מודולים פונקציונליים, לפתוח את דף שרת האינטרנט מחרוזת ולהשתמש במסד הנתונים מחרוזת לחפש את המעלית עבור הגנים של עניין למצוא את המאפיינים המתוזמרים שלהם. כדי לייצא את ערכות המשנה של סמנים ביולוגיים שזוהו לניתוח נוסף, לחץ על יצא את הטבלה ובחר את תבנית הטקסט המתאימה לשמירת הקבצים.לאחר מכן, יצא את התוויות הפריטים החזותיים כקבצי תמונה בודדים, לחץ על שמור תחת כל התוויה ובחר את תבנית התמונה המתאימה לשמירת כל קובץ. בניסוי מייצג זה, שתי ערכות נתונים זוהו כקבצי CSV ונטענו לתוכנה כפי שהוכח. ערכת הנתונים הראשונה, 128 דגימות עם 12, 625 תכונות ותוויות מחלקה בודדות נטענו עם מטריצת הנתונים הסופית המכילה 95 דגימות שליליות ו -33 דגימות חיוביות.פעולות דומות בוצעו גם עבור ערכת הנתונים הקשה השנייה. חיפוש מילת מפתח ספציפית למשתמש בשמות התכונות חושף היסטוגרמה של התכונות עבור כל ערכת נתונים. לאחר ביצוע אלגוריתם הצינור עבור כל ערכת נתונים, זוהו 120 ערכות משנה מוסמכות של סמנים ביולוגיים עבור ערכת הנתונים הקלה להפלות, כאשר 57 תת-ערכות משנה של סמנים ביולוגיים שלישייה הפגינו דיוק של 100%.עם זאת, רק 76 ערכות משנה של סמנים ביולוגיים שבהן זוהו עבור ערכת הנתונים הקשה. ועם דיוק נמוך יותר של תת-ערכות סמנים ביולוגיים המצביע על כך סמנים ביולוגיים הם ספציפיים לפנוטיפים, אתגר מרכזי נוסף בזיהוי סמנים ביולוגיים. בעת שימוש בהליך זה, חשוב לזכור שלבעיית בחירה עתידית יש פתרונות מרובים.קרא את ביצועי ה-SIM בצורה הטובה ביותר. לאחר התפתחותה, טכניקה זו סללה את הדרך לחוקרים ביו-רפואיים לחקור גילוי ביו-רפואי עם פתרונות מרובים.

Research

JoVE Journal

Cancer Research

Anticancer Efficacy of Photodynamic Therapy with Lung Cancer-Targeted Nanoparticles

יעילות אנטי סרטנית של טיפול פוטודינמי עם ריאות חלקיקים סרטן ממוקד

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

ספירת חלבונים בתאים יחיד עם Droplet למיעון מיקרו-מערכים

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

לפרוסקופיה Pancreatoduodenectomy עם Blumgart Pancreaticojejunostomy שונה

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

הדמיה עם מודאלים מרובים זוהרים, פליטת פוזיטרונים טומוגרפיה/חישובית טומוגרפיה של מיאלומה נפוצה מח עצם Xenografts בעכברים ליקר ביצים

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

Cytometry זרימה פוספו עם פלורסנט תא Barcoding עבור תא בודד איתות ניתוח וגילוי סמן

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

דיכוי צמיחת תאים מיאלומה In Vivo על ידי ננו-צינורית פחמן קיר אחד (SWCNT)-נמסר MALAT1 Antisense Oligos

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

ביצוע כריית נתונים ניתוח אינטגרטיבי של ביואריקר בסרטן השד באמצעות מספר מסדי נתונים נגישים בפומבי

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

ניתוח ביטוי גנים הגידול גורמים עם פורטל האינטרנט של 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

הדמיה סימולטנית וזיהוי מבוסס זרימה-ציטומטריה של סמני סנסנציה פלואורסצנטיים מרובים בתאי סרטן סנסנטיים המושרים על ידי טיפול

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