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

この作品は、中国の科学 (XDB13040400) 院と吉林大学からスタートアップ助成金の戦略的な重点研究課題によって支えられました。匿名のレビューや生体テスト ユーザーは、使いやすさと kSolutionVis の機能の改善に関する建設的なコメントの認められました。

注: 次のプロトコルは、情報の分析手順の詳細との主要なモジュールの擬似コードをについて説明します。自動解析システムは、Python バージョン 3.6.0 と Python モジュール パンダ、abc、numpy、scipy、sklearn、sys、PyQt5、sys、mRMR、数学および matplotlib を使用して開発されました。本研究で使用される材料は、材料のテーブルに表示されます。
1 データ行列を準備し、...

本研究は、二値分類のユーザー指定したデータセットに容易に続くマルチ ソリューション バイオ マーカー検出と評価プロトコルを提示します。ソフトウェアは、使いやすさと柔軟性のあるインポート/エクスポート インターフェイス ソフトウェアの GUI を使用して簡単にそのデータセットを調査する医学研究者を許可する、さまざまなファイル形式の重点を置きます。本研究では、以前多?...

二値分類、最も一般的の 1 つを調査し、最も正確な差別のパワー1,のサンプルの 2 つのグループの訓練を受けて分類モデルの構築に挑戦的なデータマイニングで生物医学分野における問題を使用2,3,4,5,6,7します。 ただし、バイオメディカル分野で生成された大きなデータは、本来「大 p 小さな n」パラダイム、機能サンプル6,8,9の数より大きい数を持つ。したがって、生物学者は、過問題8,9を避ける分類アルゴリズムを活用する前にフィーチャーの寸法を減らさなければなりません。診断バイオ マーカーは、健康的な制御サンプル10,11から特定の病気の患者を分離検出されたフィーチャのサブセットとして定義されます。患者は通常、肯定的なサンプルとして定義されて、健常者が負サンプル12として定義されます。
最近の研究では、生体データセット5ため同一または同様に効果的な分類の公演で 1 つ以上のソリューションが存在することを示唆しています。ほぼすべての機能選択アルゴリズムは、確定的なアルゴリズムは、同じデータセットを 1 つだけ解決です。遺伝的アルゴリズム同時に同様の性能を持つ複数のソリューションを生成可能性がありますが、彼らはまだ与えられたデータセット13,14の出力として最高のフィットネス関数で 1 つのソリューションを選択ましょう。
機能選択アルゴリズムは、フィルターまたはラッパー12として大体グループ化できます。フィルター アルゴリズム選択機能仮定に基づくバイナリ クラス ラベルを重要な個別連想ランキング トップ -k機能がお互い15,16,17 の独立しました。.この前提が成立しないほとんどすべての現実世界のデータセット、ヒューリスティック フィルタ ルール アルゴリズムを実行する、多くの場合、例えば、mRMR (冗長性を最小と最大の関連性)、Wilcoxon テストによる機能フィルター (WRank)アルゴリズム、および ROC (受信者操作特性) プロット (ROCRank) をフィルタ リング アルゴリズムを用いた。それははるかに小さい問題、それぞれのだけ 2 つの変数が含まれている最大依存関係機能選択アルゴリズムと比較する一連の組合せの推定問題を近似 mRMR、効率的なフィルター アルゴリズムは、したがってより堅牢な18,19ペア共同確率を使用します。しかし、それでは、関連性を高めることができますし、このように個別に役に立たないが、組み合わせたときにのみ有用ないくつかの機能の組み合わせをミスの機能間の相互作用を計測、mRMR 可能性がありますいくつかの機能の有用性を過小評価。WRank アルゴリズムは、どのように識別機能のサンプルは、2 つのクラス間と外れ値20,21の堅牢性のために知られている非パラメトリック スコアを計算します。さらに、ROCRank アルゴリズムは, 二値分類性能22,23どのように重要な ROC の下で領域曲線 (AUC) の特定の機能を評価します。
その一方で、ラッパーは繰り返しヒューリスティック ルールによって生成された特定の機能サブセットの定義済みの分類子のパフォーマンスを評価し、最高のパフォーマンス測定24の機能のサブセットを作成します。ラッパーは、一般的に分類性能のフィルターよりも優れているが、遅い25を実行します。正則ランダム フォレスト (RRF)26,27アルゴリズムが機能重要性スコアは、ジニ指数によって評価される各ランダム フォレスト] ノードにトレーニング データのサブセットの機能を評価することによって、貪欲な規則を使用するたとえば、.新機能の選択は、そのインフォメーション ・ ゲインが選ばれた機能の改善しない場合罰せられることでしょう。さらに、マイクロ アレイ (PAM)28,29アルゴリズムもラッパーのアルゴリズムの予測分析クラスのラベルのそれぞれの重心を計算し、全体に向けた遺伝子重心を圧縮する機能を選択しますクラスの重心。PAM は遠く隔った機能の堅牢です。
トップの分類性能を持つ複数のソリューション、特定のデータセットの必要があります。まず、決定的アルゴリズムの最適化の目標は、必ずしも生物学的サンプルの理想的ではない、数式、例えば、最小誤り率30、によって定義されます。第二に、データセットと同様の効果的なまたは同一公演を複数、大幅に異なるソリューションがあります。ほとんどすべての既存機能選択アルゴリズムは、ランダムに出力31としてこれらのソリューションのいずれかを選択します。
本研究は、任意の指定されたバイナリ分類データセットと同様のパフォーマンスと複数の機能選択解情報分析プロトコルをご紹介いたします。情報技術やコンピューターがコーディングに精通しているない最も生物学者を考慮した、ユーザーフレンドリーなグラフィカル ユーザー インターフェイス (GUI) は生体二値分類データセットの迅速分析を容易にするために開発されました。分析のプロトコルは、データの読み込みと集計、パラメーター調整、パイプラインの実行と結果の解釈で構成されています。単純なクリックで研究者、バイオ マーカーのサブセットと文書品質可視化のプロットを生成することができます。プロトコルは、2 つの二値分類データセット急性リンパ芽球性白血病 (すべて) のすなわちALL1 と ALL212のトランスクリプトームを使用してテストされています。ALL1 と ALL2 のデータセットは、広範な研究所ゲノム解析センター、http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi でご利用いただけますからダウンロードされました。ALL1 には 12,625 機能を持つ 128 のサンプルが含まれています。これらのサンプルの 95 は B 細胞すべてと 33 T 細胞は、すべて。ALL2 には 12,625 機能同様の 100 サンプルが含まれます。これらのサンプルの再発を受けた 65 患者としなかった患者 35 例があります。ALL1 はだった 4 つのフィルターと 4 つのラッパーが 96.7% と 10012を達成する 8 特徴選択アルゴリズムの 6 の最小精度の簡単なバイナリ分類データセットです。ALL2 は 83.7% 精度12よりも優れて実現する上記の 8 の機能選択アルゴリズムのより困難なデータセットです。この最高の精度は相関機能選択 (CFS)、ラッパー アルゴリズムによって検出された 56 機能で実現されました。

<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

バイオ マーカー検出 '高速 'オミックス研究者より重要な医学問題の 1 つは、ほぼすべての既存のバイオ マーカー検出アルゴリズムは、与えられたデータセットの最適化されたパフォーマンスの測定と 1 つのバイオ マーカーのサブセットを生成.しかし、最近の研究では、同様に効果的なまたは同一の分類性能を持つ複数のバイオ マーカーのサブセットの存在を実証しました。このプロトコルは、二値分類のパフォーマンス、ユーザー定義カットオフよりバイオ マーカーのサブセットを検出するためのシンプルで簡単な方法論を提示します。プロトコルは、データの準備と読み込み、ベースライン情報の要約、パラメータ チューニング、バイオ マーカーのスクリーニング、結果可視化解釈、バイオ マーカー遺伝子アノテーションとで結果と可視化の輸出で構成されています出版物の品質。スクリーニング戦略提案のバイオ マーカーは、直感的なバイオ マーカー検出アルゴリズムを開発するための一般的な規則を示します。ユーザーフレンドリーなグラフィカル ユーザー インターフェイス (GUI) は、プログラミング言語の Python では、生物医学の研究の結果に直接アクセスすることができますを使用して開発されました。ソース コードとマニュアルの kSolutionVis は、http://www.healthinformaticslab.org/supp/resources.php からダウンロードできます。

このワークフロー (図 6) の目標は、二値分類データセットの同じような効率を持つ複数のバイオ マーカーのサブセットを検出することです。全体のプロセスは、2 つの例のデータセット ALL1 と ALL2 最近公開されたバイオ マーカー検出から抽出した12,48の研究によって例証されます。ユーザーは、補足?...

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

既存のアルゴリズムは、バイオ マーカー検出データセットの 1 つのソリューションを生成します。このプロトコルは、複数の同様に有効な解の存在を示し、提案の挑戦のためのデータセットの調査生物医学の研究のためのユーザーフレンドリーなソフトウェアを示します。コンピューター科学者は、彼らのバイオ マーカーのこの機能が検出アルゴリズムを入力もできます。

同様に効果的な二値分類性能を持つ複数のバイオ マーカーのサブセットを選択

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

この測定は、複数のソリューションの生成に関する生物医学的検出分野の重要な質問に答えるのに役立ちます。この技術の主な利点は、複数の機能の検出を助けるためにユーザーフレンドリーなグラフィカルユーザーインターフェースを提供することです。まず、データマトリックスとクラスラベルをソフトウェアにロードします。[データ マトリックスの読み込み] をクリックして、ユーザー指定のデータ メトリック ファイルを選択し、クラス ラベルをロードして、対応するクラス ラベル ファイルを選択します。上位ランクのフィーチャ数のクラス ラベルを決定するには、適切なドロップダウン ボックスで正と負のクラスの名前を選択し、フィーチャ サブセットの包括的な画面のトップ X ドロップダウン ボックスの上位ランクのフィーチャ数として 10 を選択します。異なるパフォーマンスに合わせてシステムパラメータを調整するには、選択した極端な学習マシン分類器の精度バランスの精度ドロップダウンボックスとして、パフォーマンス測定精度を選択します。次に、指定したパフォーマンス測定のカットオフ値 0.7 をパフォーマンスカットオフ入力ボックスで選択します。パイプラインを実行するには、[analyze] をクリックし、パフォーマンス測定の既定値として 0.7 を選択します。また、最も優れたフィーチャ サブセットのデフォルト番号として 10 を指定します。その後、ソフトウェアによって検出された機能を収集し、解釈します。ソフトウェアによって検出された最高の分類パフォーマンスを持つサブセットの上位 10 フィーチャの 3D 散布図を生成するには、[解析] をクリックし、F1、F2、F3 軸としての 3 つのフィーチャのランクを使用して、フィーチャ サブセット内の 3 つのフィーチャをランクの昇順に並べ替えます。パフォーマンスカットオフ値を 0.7 に変更し、[解析]をクリックして、パフォーマンスの計測値を超えたか等しいフィーチャ サブセットの 3D 散布図を生成します。次に、[3D チューニング] をクリックして、3D 散布図の視野角を手動で調整するための新しいウィンドウを開き、検出されたフィーチャ サブセットの冗長性を減らします。DNAとタンパク質配列の両方のレベルで遺伝子にコメントを付けるには、David データベース Web ページを開き、遺伝子 ID 変換リンクをクリックして、準備されたデータセットの最初のバイオマーカー サブセットの特徴 ID を入力します。ジーン リスト リンクをクリックし、[送信リスト] をクリックして対象のアノテーションを取得し、ジーン リストを表示してジーン シンボルのリストを取得します。次に、GeneCards データベース Web ページを開き、対象のジーンの名前をデータベース クエリ入力ボックスに入力して、このジーンの注釈を見つけます。Man データベースでオンライン メンデリア継承を開き、その遺伝子を検索して、データベースからこの遺伝子の注釈を見つけます。コード化されたタンパク質に注釈を付けるには、UniProt ナレッジ ベースのデータベース ページを開き、このデータベースから遺伝子の注釈を検索します。グループベース予測システム、またはGPSウェブサーバーを開き、バイオマーカー遺伝子によってコードされるタンパク質配列をUniProtナレッジベースデータベースから取得し、オンラインGPSツールを使用して移行後の改変残基を予測します。タンパク質とタンパク質の相互作用にアポイントメントし、そこに機能モジュールを豊かにするには、文字列の Web サーバー ページを開き、文字列データベースを使用して、目的の遺伝子を検索して、オーケストレーションされたプロパティを見つけます。検出されたバイオマーカーサブセットをエクスポートして詳細な分析を行う場合は、[テーブルをエクスポート] をクリックし、ファイルを保存するための適切なテキスト形式を選択します。次に、視覚化プロットを個別の画像ファイルとしてエクスポートし、各プロットの下の[保存]をクリックして、各ファイルを保存するための適切な画像形式を選択します。この代表的な実験では、2 つのデータセットが CSV ファイルとしてフォーマットされ、示されているようにソフトウェアに読み込まれました。最初のデータセットでは、12、625の特徴を持つ128サンプル、および個々のクラスラベルが、95個の陰性サンプルと33個の陽性サンプルを含む最終的なデータMatrixとともにロードされました。また、2 番目の困難なデータ セットについても同様の操作が行われました。機能名でユーザー固有のキーワードを検索すると、各データ セットのフィーチャのヒストグラムが表示されます。各データセットに対してパイプライン アルゴリズムを実行した後、120 個の修飾バイオマーカー サブセットが検出され、データ セットを判別しやすくなりました。しかし、困難なデータセットで検出されたバイオマーカーサブセットは76個のみ。また、バイオマーカーのサブセット精度が低いと、バイオマーカーが特定の表現型であることを示唆し、バイオマーカー検出におけるもう一つの大きな課題が生ずる。この手順を使用する場合は、将来の選択の問題に複数の解決策があることを覚えておくことが重要です。パフォーマンスのベスト SIM を読みます。その開発後、この技術は、生物医学研究者が複数のソリューションで生物医学的検出を探求する道を開きました。

Research

JoVE Journal

Cancer Research

Anticancer Efficacy of Photodynamic Therapy with Lung Cancer-Targeted Nanoparticles

肺癌標的化ナノ粒子と光線力学療法の抗がん効能

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

がん研究

Counting Proteins in Single Cells with Addressable Droplet Microarrays

アドレス指定可能な液滴マイクロ アレイによる単一細胞におけるタンパク質をカウント

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

変更された Blumgart 膵炎と腹腔鏡下膵頭十二指腸切除

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

NOG マウスの多発性骨髄腫, 骨髄異種のマルチ モーダルな発光とポジトロニック放出断層レントゲン写真撮影/計算断層イメージング

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

単一細胞解析、バイオ マーカー探索をシグナル蛍光セル バーコードとリン フローサイトメトリー

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

単層カーボンナノ チューブ (SWCNT) による生体内での多発性骨髄腫細胞の増殖の抑制-MALAT1 アンチセンス Oligos を配信

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

複数の公的にアクセス可能なデータベースを用いた乳癌におけるバイオマーカーのデータマイニングと統合的解析の実行

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 Web ポータルを用した腫瘍遺伝子発現因子の解析

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

治療誘発性老化癌細胞における複数の蛍光老化マーカーの同時イメージングおよびフローサイトメトリーベースの検出

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

同様に効果的な二値分類性能を持つ複数のバイオ マーカーのサブセットを選択

同様に効果的な二値分類性能を持つ複数のバイオマーカーのサブセットを選択