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

यह काम चीनी अकादमी ऑफ साइंसेज (XDB13040400) और जिलिन विश्वविद्यालय से स्टार्टअप अनुदान के सामरिक प्राथमिकता अनुसंधान कार्यक्रम द्वारा समर्थित किया गया था । अनाम समीक्षक और बायोमेडिकल परीक्षण उपयोगकर्ताओं प्रयोज्य और kSolutionVis की कार्यक्षमता में सुधार पर उनके रचनात्मक टिप्पणियों के लिए सराहना की गई ।

नोट: निंनलिखित प्रोटोकॉल सूचना का विवरण विश्लेषणात्मक प्रक्रिया और छद्म प्रमुख मॉड्यूल के कोड का वर्णन करता है । स्वचालित विश्लेषण प्रणाली अजगर संस्करण 3.6.0 और अजगर मॉड्यूल पांडा, एबीसी, numpy, scipy, sklearn, sys, PyQt5, sys...

यह अध्ययन एक आसान बहु-समाधान का पालन करने के लिए प्रस्तुत करता है एक प्रयोक्ता निर्दिष्ट द्विआधारी वर्गीकरण डेटासेट के लिए मल्टी सॉल्यूशन का पता लगाने और लक्षण वर्णन प्रोटोकॉल । सॉफ्टवेयर उपयोगकर्त?...

बाइनरी वर्गीकरण, एक जैव चिकित्सा क्षेत्र में सबसे अधिक जांच की और चुनौतीपूर्ण डेटा खनन समस्याओं में से एक, एक वर्गीकरण सबसे सटीक भेदभाव शक्ति1के साथ नमूनों के दो समूहों पर प्रशिक्षित मॉडल बनाने के लिए प्रयोग किया जाता है, 2 , 3 , 4 , 5 , 6 , 7. हालांकि, बड़े जैव चिकित्सा क्षेत्र में उत्पंन डेटा अंतर्निहित "बड़े पी छोटे n प्रतिमान" है, आमतौर पर बहुत नमूनों की संख्या6,8,9की तुलना में बड़ा के साथ । इसलिए, बायोमेडिकल शोधकर्ताओं के लिए वर्गीकरण एल्गोरिदम का उपयोग करने से पहले सुविधा आयाम को कम करने के लिए है अधिक फिटिंग समस्या8,9से बचने के । निदान के एक सबसेट के रूप में परिभाषित कर रहे है पता चलता है स्वस्थ नियंत्रण नमूने से एक दिया रोग के रोगियों को अलग सुविधाओं के10,11। मरीजों को आम तौर पर सकारात्मक नमूनों के रूप में परिभाषित कर रहे हैं, और स्वस्थ नियंत्रण नकारात्मक नमूने12के रूप में परिभाषित कर रहे हैं ।
हाल के अध्ययनों से सुझाव दिया है कि वहां एक से अधिक समाधान समान या इसी तरह प्रभावी वर्गीकरण प्रदर्शन के लिए एक बायोमेडिकल5डेटासेट के लिए मौजूद है । लगभग सभी सुविधा चयन एल्गोरिथ्म नियतात्मक एल्गोरिथ्म, एक ही dataset के लिए केवल एक समाधान का निर्माण कर रहे हैं । आनुवंशिक एल्गोरिदम एक साथ समान प्रदर्शन के साथ कई समाधान उत्पन्न कर सकते हैं, लेकिन वे अभी भी एक दिया डेटासेट के लिए उत्पादन के रूप में सबसे अच्छा फिटनेस समारोह के साथ एक समाधान का चयन करने के लिए प्रयास करें13,14.
सुविधा चयन एल्गोरिथ्म मोटे तौर पर या तो फ़िल्टर या रैपर12के रूप में समूहीकृत किया जा सकता है । फ़िल्टर एल्गोरिथ्म शीर्ष-k सुविधाओं को बाइनरी क्लास लेबल्स के साथ उनकी महत्वपूर्ण व्यक्तिगत संबद्धता द्वारा क्रमित किया जाता है जो इस धारणा पर आधारित होता है कि सुविधाएँ एक-दूसरे से स्वतंत्र हैं15,16,17 . हालांकि इस धारणा लगभग सभी वास्तविक दुनिया डेटासेट के लिए सच नहीं पकड़ है, अनुमानी फिल्टर नियम कई मामलों में अच्छी तरह से करता है, उदाहरण के लिए, mRMR (न्यूनतम अतिरेक और अधिकतम प्रासंगिकता) एल्गोरिथ्म, Wilcoxon परीक्षण आधारित सुविधा फ़िल्टरिंग (WRank) एल्गोरिथ्म, और ROC (रिसीवर ऑपरेटिंग विशेषता) प्लॉट आधारित फ़िल्टरिंग (ROCRank) एल्गोरिथ्म । mRMR, एक कुशल फिल्टर एल्गोरिथ्म है क्योंकि यह बहुत छोटी समस्याओं की एक श्रृंखला के साथ मिश्रित आकलन समस्या अनुमानित, अधिकतम निर्भरता सुविधा चयन एल्गोरिथ्म, जिनमें से प्रत्येक केवल दो चर शामिल है की तुलना, और इसलिए pairwise संयुक्त संभावनाओं का उपयोग करता है जो और अधिक मजबूत कर रहे है18,19। हालांकि, mRMR कुछ सुविधाओं की उपयोगिता को नजरअंदाज कर सकते है क्योंकि यह सुविधाओं के बीच बातचीत जो प्रासंगिकता को बढ़ा सकते है उपाय नहीं करता है, और इस तरह कुछ सुविधा संयोजन है कि व्यक्तिगत रूप से बेकार है लेकिन केवल जब संयुक्त उपयोगी होते है याद करते हैं । WRank एल्गोरिथ्म नमूने के दो वर्गों के बीच कैसे भेदभाव एक सुविधा का एक गैर पैरामीट्रिक स्कोर की गणना करता है, और20outliers,21के लिए अपनी मजबूती के लिए जाना जाता है । इसके अलावा, ROCRank एल्गोरिथ्म मूल्यांकन कैसे महत्वपूर्ण क्षेत्र ROC वक्र (ईमेज) के तहत एक विशेष सुविधा के लिए है जांच की बाइनरी वर्गीकरण प्रदर्शन22,23।
दूसरी ओर, एक रैपर किसी दिए गए सुविधा सबसेट के पूर्व-निर्धारित वर्गीकारक के प्रदर्शन का मूल्यांकन करता है, एक अनुमानी नियम द्वारा जनरेट किया गया iteratively, और श्रेष्ठ प्रदर्शन माप24के साथ सुविधा सबसेट बनाता है । एक रैपर आम तौर पर एक फ़िल्टर वर्गीकरण प्रदर्शन में प्रदर्शन लेकिन धीमी25चलाता है । उदाहरण के लिए, नियमित रूप से रैंडम फ़ॉरेस्ट (RRF)26,27 एल्गोरिथ्म प्रत्येक रैंडम फ़ॉरेस्ट नोड, जिसका सुविधा महत्व स्कोर ्ीनि अनुक्रमणिका द्वारा मूल्यांकित है पर प्रशिक्षण डेटा का एक सबसेट पर सुविधाओं का मूल्यांकन करके एक लालची नियम का उपयोग करता है . एक नई सुविधा का चुनाव दंडित किया जाएगा अगर इसकी जानकारी हासिल है कि चुना सुविधाओं में सुधार नहीं करता है । इसके अतिरिक्त, Microarrays के लिए पूर्वानुमान विश्लेषण (पाम)28,29 एल्गोरिथ्म, यह भी एक आवरण एल्गोरिथ्म, वर्ग लेबल में से प्रत्येक के लिए एक केन्द्रक की गणना करता है, और फिर सुविधाओं का चयन करने के लिए समग्र की ओर जीन centroids हटना वर्ग केन्द्रक. पाम की सुविधाओं के लिए मजबूत है ।
शीर्ष वर्गीकरण प्रदर्शन के साथ एकाधिक समाधान किसी भी दिए गए dataset के लिए आवश्यक हो सकता है । सबसे पहले, एक नियतात्मक एल्गोरिथ्म के अनुकूलन लक्ष्य एक गणितीय सूत्र द्वारा परिभाषित किया गया है, उदाहरणके लिए, न्यूनतम त्रुटि दर30, जो जैविक नमूनों के लिए जरूरी आदर्श नहीं है. दूसरे, एक dataset एकाधिक, काफी अलग है, समान प्रभावी या भी समान प्रदर्शन के साथ समाधान हो सकता है. लगभग सभी मौजूदा सुविधा चयन एल्गोरिथ्म व्युत्क्रम आउटपुट31के रूप में इन समाधानों में से एक का चयन करेगा ।
यह अध्ययन किसी भी दिया द्विआधारी वर्गीकरण डेटासेट के लिए समान प्रदर्शन के साथ कई सुविधा चयन समाधान पैदा करने के लिए एक सूचना विश्लेषणात्मक प्रोटोकॉल परिचय होगा । यह देखते हुए कि सबसे अधिक चिकित्सा शोधकर्ताओं के साथ परिचित नहीं हैं, क्योंकि एक उपयोगकर्ता के अनुकूल ग्राफिकल यूजर इंटरफेस (GUI) के लिए जैव चिकित्सा द्विआधारी वर्गीकरण डेटासेट के तेजी से विश्लेषण की सुविधा विकसित की है । विश्लेषण प्रोटोकॉल डेटा लोड हो रहा है और सारांश, पैरामीटर ट्यूनिंग, पाइपलाइन निष्पादन, और परिणाम व्याख्या के होते हैं । एक साधारण क्लिक के साथ, शोधकर्ता करने के लिए सक्षम है के लिए-अगोचर उपसमुच्चय और प्रकाशन गुणवत्ता दृश्य भूखंडों । प्रोटोकॉल तीव्र लिम्फोब्लासटिक ल्यूकेमिया (सभी), यानी, ALL1 और ALL212के दो द्विआधारी वर्गीकरण डेटासेट के transcriptomes का उपयोग कर परीक्षण किया गया है । ALL1 और ALL2 के डेटासेट को http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi पर उपलब्ध ब्रॉड इंस्टिट्यूट जीनोम डेटा एनालिसिस सेंटर से डाउनलोड किया गया । ALL1 १२,६२५ सुविधाओं के साथ १२८ नमूने शामिल हैं । इन नमूनों में से ९५ बी-सेल सभी हैं और ३३ टी-सेल सभी हैं । ALL2 १२,६२५ सुविधाओं के साथ के रूप में अच्छी तरह से १०० नमूने शामिल हैं । इन नमूनों में से ६५ रोगियों कि पलटा हुआ और ३५ रोगियों कि नहीं किया सामना कर रहे हैं । ALL1 एक आसान द्विआधारी वर्गीकरण डेटासेट, चार फिल्टर और चार wrappers ९६.७% की जा रही है की एक ंयूनतम सटीकता के साथ था, और 8 सुविधा चयन एल्गोरिदम के 6 १००%12प्राप्त करने । जबकि ALL2 एक और अधिक कठिन डेटासेट था, इसके बाद के संस्करण 8 सुविधा चयन एल्गोरिदम से कोई बेहतर ८३.७% सटीकता प्राप्त12. यह सबसे अच्छा सटीकता ५६ आवरण एल्गोरिथ्म, सहसंबंध आधारित सुविधा चयन (सीएफएस) द्वारा पता लगाया सुविधाओं के साथ हासिल किया गया था ।

<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

एक उच्च-प्रवाह ' ओमिक्स ' शोधकर्ताओं के लिए अधिक महत्वपूर्ण बायोमेडिकल सवालों में से एक है, और लगभग सभी मौजूदा मार्कर का पता लगाने एल्गोरिदम एक दिए गए डेटासेट के लिए अनुकूलित प्रदर्शन माप के साथ एक जैव-चिह्न सबसेट उत्पन्न . हालांकि, हाल के एक अध्ययन में इसी तरह प्रभावी या यहां तक कि समान वर्गीकरण प्रदर्शन के साथ कई अगोचर सबसेट के अस्तित्व का प्रदर्शन किया । इस प्रोटोकॉल द्विआधारी वर्गीकरण प्रदर्शन, एक प्रयोक्ता परिभाषित कटऑफ से बेहतर के साथ एक अगोचर सबसेट का पता लगाने के लिए एक सरल और सीधी पद्धति प्रस्तुत करता है । प्रोटोकॉल डेटा तैयार करने और लदान, आधारभूत जानकारी सारांश, पैरामीटर ट्यूनिंग, अचिह्नक स्क्रीनिंग, परिणाम दृश्य और व्याख्या, अगोचर जीन एनोटेशन, और परिणाम और दृश्य पर निर्यात के होते है प्रकाशन गुणवत्ता । प्रस्तावित अगोचर स्क्रीनिंग की रणनीति सहज ज्ञान युक्त है और एक आम नियम को दर्शाता है के लिए एक सामांय शासन का पता लगाने एल्गोरिदम । एक प्रयोक्ता के अनुकूल ग्राफिकल यूजर इंटरफेस (जीयूआई) प्रोग्रामिंग भाषा पायथन का उपयोग कर विकसित किया गया था, की अनुमति बायोमेडिकल शोधकर्ताओं को उनके परिणामों के लिए सीधी पहुंच है । kSolutionVis के सोर्स कोड और मैनुअल को http://www.healthinformaticslab.org/supp/resources.php से डाउनलोड किया जा सकता है ।

इस वर्कफ़्लो का लक्ष्य (आरेख 6) एक बाइनरी वर्गीकरण dataset के लिए समान क्षमता के साथ एकाधिक-अचिह्नित सबसेट का पता लगाने के लिए है । पूरी प्रक्रिया दो उदाहरण डेटासेट द्वारा सचित्र है ALL1 ...

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

मौजूदा एल्गोरिथ्म एक समाधान एक के लिए एक अचिह्नित खोज dataset जनरेट करें । इस प्रोटोकॉल कई इसी तरह प्रभावी समाधान के अस्तित्व को दर्शाता है और एक उपयोगकर्ता के अनुकूल सॉफ्टवेयर की मदद के लिए जैव चिकित्सा शोधकर्ताओं प्रस्तावित चुनौती के लिए उनके डेटासेट की जांच प्रस्तुत करता है । कंप्यूटर वैज्ञानिक भी इस सुविधा को अपने स्मार्कर डिटेक्शन एल्गोरिदम में उपलब्ध करा सकते हैं ।

इसी तरह प्रभावी द्विआधारी वर्गीकरण प्रदर्शन के साथ एकाधिक-मार्की सबसेट का चयन

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

यह उपाय कई समाधान पैदा करने के बारे में बायोमेडिकल डिटेक्शन फील्ड में महत्वपूर्ण सवालों के जवाब देने में मदद कर सकता है । इस तकनीक का मुख्य लाभ यह है कि यह कई फीचर सब्सिडी का पता लगाने में बायोमेडिकल शोधकर्ताओं की सहायता के लिए एक उपयोगकर्ता के अनुकूल ग्राफिकल यूजर इंटरफेस प्रदान करता है। सॉफ्टवेयर में डेटा मैट्रिक्स और वर्ग लेबल लोड करके शुरू करें।संबंधित क्लास लेबल फ़ाइल का चयन करने के लिए उपयोगकर्ता निर्दिष्ट डेटा मैट्रिक्स फ़ाइल और लोड क्लास लेबल का चयन करने के लिए लोड डेटा मैट्रिक्स पर क्लिक करें। शीर्ष रैंक सुविधाओं की संख्या में वर्ग लेबल निर्धारित करने के लिए, उपयुक्त ड्रॉप डाउन बॉक्स में सकारात्मक और नकारात्मक वर्गों के नाम का चयन करें और सुविधा सबसेट की एक व्यापक स्क्रीन के लिए शीर्ष एक्स ड्रॉप डाउन बॉक्स में शीर्ष स्थान पर सुविधाओं की संख्या के रूप में 10 का चयन करें । विभिन्न प्रदर्शनों के लिए सिस्टम मापदंडों को ट्यून करने के लिए, चयनित चरम शिक्षण मशीन क्लासिफायर के लिए सटीकता संतुलित सटीकता ड्रॉप डाउन बॉक्स के रूप में प्रदर्शन माप सटीकता का चयन करें।फिर, प्रदर्शन कटऑफ इनपुट बॉक्स में निर्दिष्ट प्रदर्शन माप के लिए 0.7 के कट-ऑफ मूल्य का चयन करें। पाइपलाइन को चलाने के लिए, विश्लेषण पर क्लिक करें और प्रदर्शन माप कट ऑफ के डिफ़ॉल्ट मूल्य के रूप में 0.7 का चयन करें। और, 10 सबसे अच्छी सुविधा सबसेट की डिफ़ॉल्ट संख्या के रूप में।फिर सॉफ्टवेयर द्वारा पता लगाया सुविधाओं को इकट्ठा और व्याख्या करें। सॉफ्टवेयर द्वारा पता लगाया सबसे अच्छा वर्गीकरण प्रदर्शन के साथ सबसेट के शीर्ष 10 सुविधाओं के एक 3 डी तितर बितर साजिश उत्पन्न करने के लिए, विश्लेषण और उनके रैंकों के आरोही क्रम में एक सुविधा सबसेट में तीन सुविधाओं को सॉर्ट करने पर क्लिक करें, F1, F2, और F3 कुल्हाड़ियों के रूप में तीन सुविधाओं के रैंकों का उपयोग कर । प्रदर्शन कट ऑफ वैल्यू को 0.7 में बदलें और प्रदर्शन कट ऑफ परफॉर्मेंस मेजरमेंट वैल्यू से अधिक या बराबर सुविधा सबसेट के 3डी स्कैटर प्लॉट जेनरेट करने के लिए विश्लेषण पर क्लिक करें।फिर 3 डी स्कैटर प्लॉट के व्यूइंग एंगल्स की मैनुअल ट्यूनिंग के लिए एक नई विंडो खोलने के लिए 3डी ट्यूनिंग पर क्लिक करें और पता लगाने वाले फीचर सबसेट की अतिरेक को कम करने के लिए कम करें। डीएनए और प्रोटीन अनुक्रम दोनों स्तरों में एक जीन को एनोटेट करने के लिए, डेविड डेटाबेस वेब पेज खोलें और तैयार डेटा सेट के पहले बायोमार्कर सबसेट की फीचर आईडी इनपुट करने के लिए जीन आईडी रूपांतरण लिंक पर क्लिक करें। जीन सूची लिंक पर क्लिक करें और ब्याज के एनोटेशन को पुनः प्राप्त करने के लिए सूची सबमिट करें, और जीन प्रतीकों की सूची प्राप्त करने के लिए जीन सूची दिखाएं।इसके बाद, जेनकार्ड्स डेटाबेस वेब पेज खोलें और इस जीन के एनोटेशन खोजने के लिए डेटाबेस क्वेरी इनपुट बॉक्स में ब्याज के जीन का नाम दर्ज करें। मैन डेटाबेस में ऑनलाइन मेंडेलियन विरासत खोलें और डेटाबेस से इस जीन के एनोटेशन खोजने के लिए जीन की खोज करें। एन्कोडेड प्रोटीन को एनोटेट करने के लिए, यूनिप्रोट नॉलेज बेस डेटाबेस पेज खोलें और इस डेटाबेस से जीन के एनोटेशन की खोज करें।समूह आधारित भविष्यवाणी प्रणाली, या जीपीएस वेब सर्वर खोलें, और यूनिप्रोट नॉलेज बेस डेटाबेस से बायोमार्कर जीन द्वारा एन्कोड किए गए प्रोटीन अनुक्रम को पुनः प्राप्त करें और प्रोटीन के बाद संक्रमणकालीन संशोधन अवशेषों की भविष्यवाणी करने के लिए ऑनलाइन जीपीएस टूल का उपयोग करें। प्रोटीन-प्रोटीन इंटरैक्शन को एनोटेट करने के लिए और कार्यात्मक मॉड्यूल समृद्ध करने के लिए, स्ट्रिंग वेब सर्वर पेज खोलें और अपने करवाया गुणों को खोजने के लिए ब्याज के जीन के लिए लिफ्ट खोजने के लिए स्ट्रिंग डेटाबेस का उपयोग करें। आगे के विश्लेषण के लिए पता लगाया बायोमार्कर सबसेट निर्यात करने के लिए, क्लिक करें तालिका निर्यात और फ़ाइलों को बचाने के लिए उपयुक्त पाठ प्रारूप का चयन करें ।फिर, दृश्य भूखंडों को व्यक्तिगत छवि फ़ाइलों के रूप में निर्यात करें, प्रत्येक भूखंड के नीचे सेव पर क्लिक करें और प्रत्येक फ़ाइल को सहेजने के लिए उपयुक्त छवि प्रारूप का चयन करें। इस प्रतिनिधि प्रयोग में, दो डेटा सेट सीएसवी फ़ाइलों के रूप में स्वरूपित किए गए थे और प्रदर्शन के रूप में सॉफ्टवेयर में लोड किए गए थे। पहले डाटा सेट में 12, 625 फीचर्स और अलग-अलग क्लास लेबल वाले 128 नमूनों को फाइनल डाटा मैट्रिक्स से लोड किया गया था जिसमें 95 निगेटिव सैंपल और 33 पॉजिटिव सैंपल थे।इसी तरह के ऑपरेशन दूसरे कठिन डाटा सेट के लिए भी किए गए । फीचर नामों में उपयोगकर्ता-विशिष्ट कीवर्ड खोज करने से प्रत्येक डेटा सेट के लिए सुविधाओं का एक हिस्टोग्राम पता चलता है। प्रत्येक डेटा सेट के लिए पाइपलाइन एल्गोरिदम को निष्पादित करने के बाद, डेटा सेट को भेदभाव करने में आसान के लिए 120 योग्य बायोमार्कर सबसेट का पता लगाया गया था, जिसमें 57 ट्रिपल बायोमार्कर सबसेट 100% सटीकता का प्रदर्शन करते थे।केवल 76 बायोमार्कर सबसेट जहां मुश्किल डेटा सेट के लिए पता चला, लेकिन। और, कम बायोमार्कर सबसेट सटीकता के साथ यह सुझाव देते हुए कि बायोमार्कर फेनोटाइप विशिष्ट हैं, बायोमार्कर डिटेक्शन में एक और बड़ी चुनौती है। इस प्रक्रिया का उपयोग करते समय, यह याद रखना महत्वपूर्ण है कि भविष्य की चयन समस्या के कई समाधान हैं।प्रदर्शन का सबसे अच्छा सिम पढ़ें। इसके विकास के बाद, इस तकनीक ने जैव चिकित्सा शोधकर्ताओं के लिए कई समाधानों के साथ बायोमेडिकल डिटेक्शन का पता लगाने का मार्ग प्रशस्त किया।

Research

JoVE Journal

Cancer Research

Anticancer Efficacy of Photodynamic Therapy with Lung Cancer-Targeted Nanoparticles

फेफड़ों के कैंसर-लक्षित नैनोकणों के साथ Photodynamic थेरेपी के कैंसर विरोधी प्रभावकारिता

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

पता करने वाली छोटी बूंद Microarrays के साथ एकल कोशिकाओं में प्रोटीन गिनती

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

संशोधित Blumgart Pancreaticojejunostomy के साथ लेप्रोस्कोपिक पॅन्क्रिएटोड्यूओडेनेक्टॉमी

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

Multimodal Bioluminescent और Positronic-उत्सर्जन टोमोग्राफी/Xenografts चूहों में एकाधिक मायलोमा अस्थि मज्जा नोग की गणना टोमोग्राफी इमेजिंग

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

Phospho एकल सेल संकेतन विश्लेषण और के लिए फ्लोरोसेंट सेल Barcoding के साथ प्रवाह Cytometry खोज

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

सिंगल वॉल कार्बन नैनोट्यूब (SWCNT) द्वारा Vivo में मल्टीपल मायलोमा सेल ग्रोथ का दमन-डिलीवर MALAT1 Antisense ओलिगोस्पर्मिया

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

कई सार्वजनिक रूप से सुलभ डेटाबेस का उपयोग कर स्तन कैंसर में Biomarker के डेटा खनन और एकीकृत विश्लेषण प्रदर्शन

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

CorExplorer वेब पोर्टल के साथ ट्यूमर जीन अभिव्यक्ति कारकों का विश्लेषण

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

थेरेपी-प्रेरित सेनेसेंट कैंसर कोशिकाओं में कई फ्लोरोसेंट सेनेसेंस मार्करों का एक साथ इमेजिंग और फ्लो-साइटोमेट्री-आधारित डिटेक्शन

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