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

Эта работа была поддержана стратегических приоритетных исследований программы Китайской академии наук (XDB13040400) и запуска грант от университета Цзилинь. Анонимные Отзывы и биомедицинских испытаний пользователей были оценены за их конструктивные замечания по улучшению юзабилити и функциональность kSolutionVis.

Примечание: Следующий протокол описывает детали аналитические процедуры информатики и псевдо-коды основных модулей. Система автоматического анализа была разработана с использованием Python версия 3.6.0 и панды модулей Python, abc, numpy, scipy, sklearn, sys, PyQt5, sys, mRMR, математика и matplotlib. Материалы, использ...

Это исследование представляет протокол обнаружения и характеристика easy-to последующие мульти решение биомаркер для пользовательской двоичной классификации набора данных. Программное обеспечение ставит акцент на удобство и гибкий импорт/экспорт интерфейсы для различных форматов фай...

Двоичной классификации, один из наиболее часто расследование и сложной интеллектуального анализа проблем в области биомедицинских данных используется для построения модели классификации обучение на две группы образцов с наиболее точные дискриминации мощность1, 2 , 3 , 4 , 5 , 6 , 7. Однако, большие данные, полученные в области биомедицины имеет присущие «большой p малых n» парадигма, с числом функций, обычно намного больше, чем количество образцов6,8,9. Таким образом биомедицинских исследователи должны снизить возможность измерения перед использованием классификации алгоритмов, чтобы избежать overfitting проблема8,9. Диагноз биомаркеров определяются как часть обнаруженных функций отделения больных данной болезни от здорового управления образцы10,11. Пациенты обычно определяются как положительные образцы, и здоровые элементы управления определяются как негативные примеры12.
Недавние исследования показали, что существует более чем одно решение с идентичными или аналогичным образом эффективной классификации спектакли для биомедицинских данных5. Почти все алгоритмы выбора функции являются детерминированными алгоритмы, производить только одно решение для одного набора данных. Генетические алгоритмы могут одновременно создавать несколько решений с аналогичными характеристиками, но они все еще пытаются выбрать одно решение с лучших фитнес-функции в качестве выходных данных для заданного набора данных13,14.
Функция выбора алгоритмов можно подразделить примерно как фильтры или оболочки12. Фильтр алгоритм выбирает Топ -k особенности ранжированных по их значительные индивидуальные ассоциации с двоичной класса этикетки, основывается на предположении, что функции являются независимыми друг от друга15,16,17 . Хотя это предположение не справедливы для почти всех реальных наборов данных, эвристический фильтр выполняет хорошо, во многих случаях, например, mRMR (избыточность минимальной и максимальной релевантности) алгоритм, Вилкоксон тест на функцию фильтрации (WRank) алгоритм и сюжет ROC (приемник эксплуатационные характеристики) на основе алгоритма фильтрации (ROCRank). mRMR, представляет собой эффективный фильтр алгоритм, потому что он приближает комбинаторной оценки проблемы с серией гораздо меньше проблем, сравнивая алгоритм выбора функций максимум зависимость, каждая из которых включает только две переменные, и Таким образом использует попарно совместных вероятностей, которые являются более надежные18,19. Однако mRMR может недооценивать полезность некоторых функций, как это не мера взаимодействия между функциями, которые можно увеличить релевантность и таким образом пропускает некоторые функции комбинаций, которые индивидуально бесполезны, но полезны только при сочетании. WRank алгоритм вычисляет-параметрическая оценка как дискриминационный функцию между двумя классами образцов, и известен за его надежность для останцы20,21. Кроме того ROCRank алгоритм оценивает, насколько важно для исследуемых двоичной классификации производительности22,23площадь под ROC кривой (AUC) конкретного компонента.
С другой стороны оболочка оценивает предварительно определенные классификатора производительность данной функции подмножества, многократно порожденных эвристические правила и создает подмножество функций с лучшими измерения производительности24. Оболочка обычно превосходит фильтра в классификации производительности, но работает медленнее25. Например упорядочить случайный лес (СБР)26,27 алгоритм использует жадные правило, путем оценки функции на подмножества обучающих данных на каждом узле случайных лесных, чьи оценки важности функция оцениваются индекс Джини . Выбор новой функции будут наказаны, если его прироста информации не улучшить, что выбранной функции. Кроме того анализ прогнозирования для Microarrays (PAM)28,29 алгоритм, также оболочку алгоритм, вычисляет средневзвешенные для каждого класса знаков, а затем выбирает возможности уменьшить центроиды гена к общей центроид класса. Пэм надежной для удаленных компонентов.
Несколько решений с производительностью лучших классификации могут быть необходимы для любого заданного набора данных. Во-первых цель оптимизации детерминированного алгоритма определяется математическую формулу, например, минимальная ошибка ставка30, который не обязательно подходит для биологических образцов. Во-вторых набор данных может иметь несколько, значительно отличаются, решения с аналогичными эффективным или даже одинаковых спектаклей. Почти все существующие алгоритмы выбора функция будет случайным образом выбирать одну из этих решений как вывода31.
Это исследование представит аналитический протокол информатики для генерации несколько функция выбора решений с аналогичными спектаклей для любой данной двоичной классификации набора данных. Учитывая, что наиболее биомедицинских исследователи не знакомы с информатики методы или компьютер кодирование, дружественный графический интерфейс пользователя (GUI) была разработана для облегчения быстрого анализа биомедицинских двоичной классификации наборов данных. Аналитически протокол состоит из загрузки данных и подведение итогов, настройки параметров, конвейер выполнения и интерпретации результатов. С помощью простого клика исследователь способен генерировать биомаркер подмножеств и публикации качество визуализации участков. Протокол был протестирован с помощью transcriptomes двух наборов двоичной классификации острый лимфобластный лейкоз (все), то есть, ALL1 и ALL212. Наборы данных ALL1 и ALL2 были загружены из широкой институт генома данных анализа центра, доступны на http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 содержит 128 образцы с 12,625 функциями. Из этих образцов, 95 являются B-клетка все и 33 являются Т-клеток всех. ALL2 включает в себя 100 образцов с 12,625 функций, а также. Из этих образцов есть 65 пациентов, которые пострадали рецидива и 35 пациентов, которые не. ALL1 был простой двоичной классификации dataset с минимальной точностью четырех фильтров и четыре обертки 96,7%, и 6 8 функция выбора алгоритмов достижения 100%12. В то время как ALL2 был набор более сложным, с выше 8 функция выбора алгоритмов достижения не лучше, чем 83,7% точность12. Это лучший точность была достигнута с 56 функций, обнаруженных алгоритмом оболочки, на основе корреляции функция выбора (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

Биомаркер обнаружения является одним из более важных вопросов биомедицинских для высокой пропускной способности «омику» исследователей, и почти все существующие алгоритмы обнаружения биомаркер генерировать один биомаркер подмножество с оптимизированной производительности измерений для заданного набора данных . Однако недавнее исследование продемонстрировал существование нескольких подмножеств биомаркеров с аналогичным образом эффективным или даже идентичные классификации спектаклей. Этот протокол предоставляет простой и понятной методологии для обнаружения подмножеств биомаркеров с двоичной классификации спектакли, лучше, чем отсечки, определяемой пользователем. Протокол состоит из подготовки данных и загрузки, базовой информации уплотнения, настройки параметров, биомаркер скрининг, результат визуализации и интерпретации, биомаркер гена аннотации и результат и визуализация экспорт в качество издания. Предлагаемая биомаркеров, скрининг стратегия является интуитивно понятным и демонстрирует общее правило для разработки алгоритмов обнаружения биомаркеров. Дружественный графический интерфейс пользователя (GUI) был разработан с использованием языка программирования Python, позволяя биомедицинских исследователей, чтобы иметь прямой доступ к их результатам. Исходный код и руководство kSolutionVis можно загрузить с http://www.healthinformaticslab.org/supp/resources.php.

Цель этого рабочего процесса (рис. 6) является выявление нескольких подмножеств биомаркеров с аналогичными эффективности для двоичной классификации набора данных. Весь процесс иллюстрируется двумя пример наборов данных ALL1 и ALL2, извлеченные из недавно...

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

Существующие алгоритмы генерации одно решение для обнаружения набора биомаркеров. Этот протокол демонстрирует существование нескольких аналогично эффективных решений и представляет удобного программного обеспечения для биомедицинских исследователи расследовать их наборы данных для предлагаемого вызов. Программисты могут также предоставлять эту функцию в их биомаркер алгоритмы обнаружения.

Выбор нескольких подмножеств биомаркеров с аналогичным образом эффективное двоичной классификации выступления

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

Эта мера может помочь ответить на ключевые вопросы в области биомедицинского обнаружения о генерации нескольких решений. Основным преимуществом этого метода является то, что он обеспечивает удобный графический пользовательский интерфейс для оказания помощи биомедицинских исследователей в обнаружении нескольких функций спадает. Начните с загрузки матрицы данных и классовых меток в программное обеспечение.Нажмите матрицу данных нагрузки, чтобы выбрать пользовательский файл метрик данных и загрузить метки класса, чтобы выбрать соответствующий файл метки класса. Для определения классовых меток в количестве топовых функций выберите имена положительных и отрицательных классов в соответствующих коробках падения и выберите 10 в качестве числа наиболее рейтинговых объектов в верхней коробке X для всеобъемлющего экрана подмножества функций. Чтобы настроить параметры системы для различных характеристик, выберите точность измерения производительности, так как точность сбалансированной точности падает вниз поле для выбранного экстремального классификатора машины обучения.Затем выберите значение отсечения 0,7 для указанного измерения производительности в поле ввода отсечения производительности. Чтобы запустить конвейер, нажмите проанализируйте и выберите 0.7 по мере того, как значение по умолчанию измерения производительности отключается. И, 10, как по умолчанию число лучших подмножего функций.Затем соберите и интерпретируйте функции, обнаруженные программным обеспечением. Для создания 3D рассеяния участок из 10 лучших функций подмножество с лучшими характеристиками классификации обнаружены программное обеспечение, нажмите проанализировать и сортировать три функции в подмножестве функции в порядке возрастания их рядов, используя ряды трех функций, как F1, F2 и F3 осей. Измените производительность, отрезав значение до 0,7, и нажмите анализ, чтобы создать 3D-сюжет рассеяния подмножего функции с большим или равным значению измерения производительности.Затем нажмите 3D-тюнинг, чтобы открыть новое окно для ручной настройки углов обзора участка 3D рассеяния и уменьшить, чтобы уменьшить избыточность обнаруженных подмножеов функции. Чтобы аннотировать ген в уровнях последовательности ДНК и белка, откройте веб-страницу базы данных David и нажмите на ссылку преобразования идентификатора гена, чтобы ввести идентификаторы функции первого подмножества биомаркеров подготовленного набора данных. Нажмите на ссылку списка генов и нажмите представить список, чтобы получить аннотации, представляющие интерес, и показать список генов, чтобы получить список символов гена.Затем откройте веб-страницу базы данных GeneCards и введите название гена, представляющий интерес, в поле ввода запросов базы данных, чтобы найти аннотации этого гена. Откройте базу данных Online Mendelian Inheritance in Man и ищите ген, чтобы найти аннотации этого гена из базы данных. Чтобы аннотировать закодированные белки, откройте страницу базовой базы данных UniProt и ищите аннотации гена из этой базы данных.Откройте систему прогнозирования на основе группы, или веб-сервер GPS, и извлекаем белковую последовательность, закодированную геном биомаркера, из базы данных базы знаний UniProt и используйте онлайн-инструмент GPS для прогнозирования остатков белков после переходной модификации. Чтобы аннотировать белково-белковые взаимодействия и обогащенные функциональные модули, откройте страницу веб-сервера строки и используйте базу данных строк для поиска лифта для генов, представляющих интерес, чтобы найти их организованные свойства. Для экспорта обнаруженных подмножеству биомаркеров для дальнейшего анализа нажмите на таблицу экспорта и выберите соответствующий текстовый формат для сохранения файлов.Затем экспортировать графики визуализации в качестве отдельных файлов изображений, нажав сохранить под каждым сюжетом и выбрав соответствующий формат изображения для сохранения каждого файла. В этом репрезентативном эксперименте два набора данных были отформатированы как csV-файлы и загружены в программное обеспечение, как это было продемонстрировано. В первом наборе данных 128 образцов с 12, 625 функциями и отдельными классами были загружены матрицей окончательных данных, содержащей 95 отрицательных проб и 33 положительных образца.Аналогичные операции были также проведены для второго сложного набора данных. Поиск ключевого слова для конкретного пользователя в именах функций показывает гистограмму функций для каждого набора данных. После выполнения алгоритма конвейера для каждого набора данных было обнаружено 120 квалифицированных подмножей биомаркеров для легкого распознавания наборов данных, при этом 57 подмножего биомаркеров в триплете продемонстрировали точность 100%.Только 76 биомаркеров подмножества, где обнаружены для сложного набора данных, однако. И, с более низкой точностью подмножества биомаркеров, предполагая, что биомаркеры являются специфическими фенотипами, еще одной серьезной проблемой в обнаружении биомаркеров. При использовании этой процедуры важно помнить, что будущая проблема выбора имеет несколько решений.Читайте SIM лучшие показатели производительности. После своего развития, этот метод проложил путь для биомедицинских исследователей для изучения биомедицинского обнаружения с несколькими решениями.

Research

JoVE Journal

Cancer Research

Anticancer Efficacy of Photodynamic Therapy with Lung Cancer-Targeted Nanoparticles

Антираковая Эффективность фотодинамической терапии рака легких с таргетингом наночастицами

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

Подсчет белков в одиночных клетках с адресно капелька Microarrays

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

Лапароскопическая Pancreatoduodenectomy с модифицированных Blumgart Pancreaticojejunostomy

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

Смешанных биолюминесцентных и позитронный выбросов томография/вычислительная томография томография множественной миеломы ксенотрасплантатов костного мозга мышей Нагель

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

Фосфоресцентный проточной цитометрии с люминесцентные клеток штриховое кодирование для сигнализации биомаркер обнаружение и анализ отдельной ячейки

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

Подавление роста клетки множественной миеломы в Vivo, одностенные углеродные нанотрубки (ОУНТ)-доставлены антисмысловых Oligos 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

Выполнение интеллектуального анализа данных и интегративный анализ биомаркеров в раке молочной железы с использованием нескольких публично доступных баз данных

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

Анализ факторов экспрессии генов опухоли с веб-порталом 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

Одновременная визуализация и обнаружение на основе проточной цитометрии множественных флуоресцентных маркеров старения в терапевтических стареющих раковых клетках, вызванных терапией

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