يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

إنشاء النماذج وتصورها باستخدام إطار عمل التعلم الآلي المستند إلى MIME

3.8K مشاهدة

⸱

DOI:

10.3791/68553

⸱

يوليو 22, 2025

 ,  ,  ,  , 
1Department of Neurosurgery, Xiangya Hospital, Central South University, 2National Clinical Research Center for Geriatric Disorders, Xiangya Hospital, Central South University, 3Hunan International Scientific and Technological Cooperation Base of Brain Tumor Research, Xiangya Hospital, Central South University, 4Furong Laboratory

* These authors contributed equally

في هذه المقالة

ملخص

Mime هو إطار حساب مرن لإنشاء نموذج تكامل قائم على التعلم الآلي بأداء أنيق. هنا ، نقدم إجراء مفصلا خطوة بخطوة لتطوير نماذج تنبؤية بدقة عالية ، والاستفادة من مجموعات البيانات المعقدة لتحديد الجينات الهامة المرتبطة بتطور المرض ، ونتائج المرضى ، والاستجابة العلاجية.

الملخص

عززت تقنية التسلسل عالية الإنتاجية المنتشرة بشكل كبير فهمنا لعلم الأحياء وعدم تجانس السرطان. أصبحت خوارزميات التعلم الآلي على بيانات النسخ حيوية للتنبؤ بتشخيص المريض والاستجابات السريرية. على الرغم من التقدم في خوارزميات التعلم الآلي ، إلا أن النظام الأساسي مفتوح المصدر الذي يتضمن خوارزميات التعلم الآلي الأكثر تطورا على بيانات النسخ لا يزال غائبا. لمعالجة هذه الفجوة ، قمنا بتطوير Mime ، وهو إطار عمل متعدد الاستخدامات للتعلم الآلي لتعزيز بناء وتصور النماذج التنبؤية للخصائص السريرية والتوقيعات الجينية. من خلال دمج مجموعات البيانات المتنوعة واستخدام تقنيات اختيار الميزات الأكثر تقدما ، يعالج Mime التحديات الحرجة في التنبؤات السريرية. يوفر ثلاث وظائف رئيسية ، بما في ذلك بناء النموذج واختيار الميزات وتصور البيانات. يشمل بناء النموذج مجموعة من خوارزميات التعلم الآلي ، بما في ذلك على سبيل المثال لا الحصر أشجار القرار ، وآلات ناقلات الدعم ، وطرق المجموعة ، مما يسمح للباحثين باختيار النهج الأنسب لتحليلهم المحدد. يستخدم تحديد الميزة خوارزميات متقدمة مثل التخلص من الميزات المتكررة وانحدار LASSO لتبسيط مجموعة البيانات والتركيز على الميزات الأكثر إفادة. يدعم إطار العمل ضبط المعلمات القابلة للتخصيص من خلال طرق التحقق المتبادل، وتحسين أداء النموذج مع التخفيف من مخاطر الإفراط في التجهيز. تمكن أدوات التصور المدمجة في Mime الباحثين من تفسير نتائج النموذج بشكل فعال ، مما يوفر تمثيلات رسومية لأهمية الميزة ومقاييس الأداء التنبؤية. في هذه المخطوطة ، نقدم برنامجا تعليميا مفصلا حول الإجراءات التدريجية لإطار التعلم الآلي متعدد الاستخدامات.

المقدمة

أثر الاعتماد الواسع النطاق لتقنيات التسلسل عالية الإنتاجية بشكل كبير على فهمنا لعلم الأحياء وعدم تجانس السرطان1. لم يعمق هذا التقدم الرائد في التكنولوجيا الحيوية معرفتنا العلمية فحسب ، بل أحدث أيضا ثورة في مجال البحث الطبي. من خلال تمكين العلماء من تسلسل كميات كبيرة من المواد الوراثية بسرعة ودقة ، أدى التسلسل عالي الإنتاجية إلى تسريع اكتشاف جينات وطفرات ومسارات بيولوجية جديدة. حددت مجموعة متزايدة من الأبحاث التوقيعات الجزيئية المحددة المرتبطة بتطور المرض ، وتشخيص المريض ، والاستجابة العلاجية من بيانات التسلسل2،3،4. توفر هذه التوقيعات المحددة مشهدا شاملا لفهم الشبكة التنظيمية النسخية الكامنة وراء بيولوجيا الورم ، بما في ذلك أصل الورم والتمايز والهجرة ومقاومة العلاج5. غالبا ما تكون هذه الميزات متنوعة ومتنوعة ، وتشمل جوانب متعددة بدلا من أن تقتصر على معرض واحد. هذا يجعل من الصعب فحص وتحديد جينات معينة مرتبطة ارتباطا وثيقا بالمرض. وبالتالي ، هناك حاجة ملحة لاستراتيجيات حسابية معقولة لفحص الجينات الحاسمة المتورطة في المرض.

التعلم الآلي (ML) هو فرع من فروع الذكاء الاصطناعي يركز على بناء الأنظمة التي يمكنها التعلم من مجموعات البيانات المعقدة وتحديد الأنماط وتطوير نموذج تنبؤي بدقة عالية لتوفير مرجع لاتخاذ القرارات6. في الآونة الأخيرة ، تقدم تطوير النماذج القائمة على التعلم الآلي من بيانات النسخ للتنبؤ بنتائج المرضى أو تشخيص الأمراض بسرعة في مجموعة متنوعة من الأمراض7،8،9،10. غالبا ما يختلف أداء هذه النماذج اختلافا كبيرا بسبب مجموعات البيانات والخوارزميات المختلفة المستخدمة في التدريب. ظهر اختيار النموذج الأمثل للتجارب والتطبيقات السريرية اللاحقة كتحد ملح. يستلزم النهج القابل للتطبيق مقارنة أداء النماذج المختلفة واختيار أكثرها واعدا لمزيد من الاستخدام7،11. علاوة على ذلك ، فإن التنوع في المعلمات وتنسيقات النتائج المدعومة عبر أطر الحوسبة المختلفة يطرح تحديات كبيرة للتحليل المقارن. ومع ذلك ، لا يوجد حاليا برنامج يدمج خوارزميات التعلم الآلي المتطورة لمقارنة نقاط القوة والضعف في النماذج المختلفة وتبسيط عملية اختيار المعلمات ، مما يسهل على المستخدمين الوصول إليها. وبالتالي ، هناك حاجة لتطوير برامج سهلة الاستخدام يمكن أن تسهل تكامل بيانات النسخ مع خوارزميات التعلم الآلي المتنوعة ، مع معالجة القيود الحالية لاختيار العلامات الحيوية وتفسير النموذج. ستعمل هذه التطورات على توسيع قدرتنا بشكل كبير على تقديم رؤى قيمة في مجالات البحث الحالية وتحسين نتائج المرضى في نهاية المطاف.

في هذه الدراسة ، قمنا بتطوير حزمة R مفتوحة المصدر تسمى Mime12 ، والتي توضح أداء قويا عبر مجموعات البيانات وتهدف إلى تبسيط تكامل مجموعات بيانات النسخ مع خوارزميات التعلم الآلي المختلفة ، وبالتالي تبسيط العمليات المرتبطة بها. لتحديد المرشحين المحتملين من بيانات النسخ واسعة النطاق وتطوير النماذج المثلى ، يقدم Mime أربع وظائف تطبيقية: نموذج التشخيص الأمثل الذي تم إنشاؤه من خلال دمج 10 خوارزميات للتعلم الآلي. نموذج استجابة ثنائي تم إنشاؤه باستخدام سبع خوارزميات للتعلم الآلي ؛ السمات الأساسية المتعلقة بالتشخيص التي تم تحديدها باستخدام ثماني خوارزميات للتعلم الآلي. وتصور أداء كل نموذج.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

ملاحظة: يتم تشغيل جميع البرامج التعليمية لهذه الدراسة على نظام Linux الأساسي باستخدام برنامج R. يتم سرد إصدار حزمة R المستخدمة في هذا البروتوكول في جدول المواد. يتم عرض كل خطوة ضرورية للتحليل أدناه ويمكن أيضا الحصول على بروتوكول مفصل على GitHub (https://github.com/l-magnificence/Mime). يمكن للمستخدمين الذين يواجهون مشكلات مع Mime زيارة صفحة مشكلة GitHub (https://github.com/l-magnificence/Mime/issues) لتقديم ملاحظات.

1. إعداد التمثيل الصامت ومجموعة بيانات المثال

  1. قم بتثبيت إصدار التطوير من Mime من GitHub باستخدام الكود أدناه:
    devtools::install_github("l-magnificence/Mime")
  2. قم بإعداد مجموعات متعددة تحتوي على بيانات تسلسل النسخ مع معلومات عن البقاء على قيد الحياة أو الاستجابة السريرية للعلاج. هنا ، تم استخدام مثالين للبيانات (Example.cohort و Example.ici) لتشغيل Mime. يحتوي Example.cohort على مجموعتي بيانات للورم الدبقي. تم اختيار كل عينة عشوائيا من قاعدة بيانات TCGA و CGGA ، على التوالي. بينما يحتوي Example.ici على 100 عينة ما قبل المعالجة المختارة عشوائيا مع مثبطات نقاط التفتيش المناعية من الدراسةالسابقة 12. يمكن الحصول على جميع بيانات الأمثلة من GitHub (https://github.com/l-magnificence/Mime/tree/main/External%20data)
    1. قم بتضمين مجموعات بيانات متعددة لإنشاء نماذج تنبؤية للتشخيص في Example.cogroupt. معرف العمود الأول في كل مجموعة بيانات هو معرف العينة ، والعمودان الثاني والثالث OS.time و OS في كل مجموعة بيانات هما وقت بقاء المرضى وحالة المرضى. الأعمدة الأخرى في كل مجموعة بيانات هي مستوى التعبير الجيني الذي تم تحجيمه باستخدام log2 (x + 1). Dataset1 هي مجموعة بيانات التدريب، في حين أن مجموعات البيانات الأخرى مخصصة للتحقق من الصحة. استخدم التنسيق التالي ل Example.cogroupt:
      load ("./Example.cohort.Rdata" )
      list_train_vali_Data [["Dataset1" ]][1:5,1:5]
      #> ID OS.time OS MT-CO1 MT-CO3
      #> TCGA.DH.A66B.01 1281.65322 0 13.77340 13.67931
      #> TCGA.HT.7607.01 96.19915 1 14.96535 14.31857
      #> TCGA.DB.A64Q.01 182.37755 0 13.90659 13.65321
      #> TCGA.DU.8167.01 471.97707 0 14.90695 14.59776
      #> TCGA.HT.7610.01 1709.53901 0 15.22784 14.62756
    2. قم بتضمين مجموعات بيانات متعددة لإنشاء نماذج تنبؤية للاستجابة في Example.ici. معرف العمود الأول في كل مجموعة بيانات هو معرف العينة ، والعمود الثاني Var في كل مجموعة بيانات هو الاستجابة العلاجية للمرضى (N: لا توجد استجابة ؛ Y: response) ، والأعمدة الأخرى في كل مجموعة بيانات هي مستوى التعبير الجيني الذي تم قياسه باستخدام log2 (x + 1). التدريب هو مجموعة بيانات التدريب ، بينما مجموعات البيانات الأخرى للتحقق من الصحة. استخدم التنسيق التالي ل Example.ici:
      load("./Example.ici.Rdata")
      list_train_vali_Data[["training"]][1:5,1:5]
      #> ID Var FTH1 EEF1A1 ACTB
      #> SAMf2ce197162ce N 10.114846 4.817746 11.230180
      #> ERR2208915 Y 2.044180 5.038854 3.977902
      #> G138701_RCCBMS Y 5.406008 5.341635 5.366668
      #> SAMe41b1e773582 N 9.215794 4.707360 11.412721
      #> SAM5ffd7e4cd794 N 9.003710 3.908884 10.440559
  3. قم بإعداد مجموعة جينات. هنا ، تم استخدام مجموعة الجينات (القائمة الجينية) المرتبطة بإشارات Wnt / β-catenin من MSigDB لتشغيل Mime. استخدم التنسيق التالي ل genelist:
    load ("./genelist.Rdata" )
    #> [1] "MYC" "CTNNB1" "JAG2" "NOTCH1" "DLL1" "AXIN2" "PSEN2" "FZD1" "NOTCH4" "LEF1" "AXIN1" "NKD1" "WNT5B"
    #>[14] "CUL1" "JAG1" "MAML1" "KAT2A" "GNAI1" "WNT6" "PTCH1" "NCOR2" "DKK4" "HDAC2" "DKK1" "TCF7" "WNT1"
    #>[27] "NUMB" "ADAM17" "DVL2" "PPARD" "NCSTN" "HDAC5" "CCND2" "FRAT1" "CSNK1E" "RBPJ" "FZD8" "TP53" "SKP2"
    #>[40] "HEY2" "HEY1" "HDAC11"

2. بناء نماذج تنبؤية للتشخيص

  1. استخدم الدالة ML.Dev.Prog.Sig() في Mime استنادا إلى Example.cogroupt و genelist لإنشاء نماذج تنبؤ بالتشخيص. استخدم الرموز التالية:
    library (Mime1)
    load ("./Example.cohort.Rdata" )
    load ("./genelist.Rdata" )
    res <- ML.Dev.Prog.Sig (train_data = list_train_vali_Data $Dataset1,
    list_train_vali_Data = list_train_vali_Data,
    unicox.filter.for.candi = T,
    unicox_p_cutoff = 0.05,
    candidate_genes = genelist,
    mode = 'all',nodesize =5,seed = 5201314 )
  2. استخدم الدالة cindex_dis_all() في Mime لرسم مؤشر C لكل نموذج وتحديد النموذج الأمثل بأعلى مؤشر C. استخدم الرموز التالية:
    cindex_dis_all (res,validate_set = names (list_train_vali_Data )[-1 ],
    order =names (list_train_vali_Data ),width = 0.35 )
  3. احسب منحنى البقاء على قيد الحياة للمرضى وفقا لدرجة المخاطر باستخدام نموذج محدد بين مجموعات البيانات المختلفة وقم بمعالجة ذلك في التمثيل الصامت استخدم الرموز التالية:
    survplot <- vector ("list",2 )
    for (i in c (1:2)) {
    print (survplot [[i ]]<-rs_sur (res,
    model_name = "StepCox[forward] + plsRcox",
    dataset = names (list_train_vali_Data )[i ],
    median.line = "hv",
    cutoff = 0.5,
    conf.int = T,
    xlab ="Day",pval.coord =c (1000,0.9 )))
    }
    aplot ::plot_list (gglist =survplot,ncol =2 )
  4. بعد ذلك ، استخدم الدالة cal_AUC_ml_res() في Mime لحساب AUC المعتمد على الوقت الذي تنبأت به النماذج المنشأة. استخدم الرموز التالية:
    all.auc.1y <- cal_AUC_ml_res (res.by.ML.Dev.Prog.Sig =res,
    train_data = list_train_vali_Data [["Dataset1" ]],
    inputmatrix.list =list_train_vali_Data,
    mode = 'all',AUC_time = 1,
    auc_cal_method ="KM" )
  5. استخدم الدالة auc_dis_all() في Mime لرسم AUC المعتمد على الوقت الذي تنبأ به كل نموذج. استخدم الرموز التالية:
    auc_dis_all(all.auc.1y,
    dataset = names(list_train_vali_Data),
    validate_set=names(list_train_vali_Data)[-1],
    order= names(list_train_vali_Data),
    width = 0.35,
    year=1)
  6. معالجة منحنى ROC المعتمد على الوقت لنموذج معين بين مجموعات البيانات المختلفة في Mime. استخدم الرموز التالية:
    roc_vis(all.auc.1y,
    model_name = "StepCox[forward] + plsRcox",
    dataset = names(list_train_vali_Data),
    order= names(list_train_vali_Data),
    anno_position=c(0.65,0.55),
    year=1)

3. بناء نماذج تنبؤية للاستجابة

  1. استخدم وظيفة أخرى ML.Dev.Pred.Category.Sig () في Mime استنادا إلى Example.ici و genelist لإنشاء نماذج تنبؤ للاستجابة العلاجية. استخدم الرموز التالية:
    load("./Example.ici.Rdata")
    load("./genelist.Rdata")
    res.ici <- ML.Dev.Pred.Category.Sig(
    train_data = list_train_vali_Data$training,
    list_train_vali_Data = list_train_vali_Data,
    candidate_genes = genelist,
    methods = c('nb','svmRadialWeights','rf',
    'kknn','adaboost','LogitBoost',
    'cancerclass'),
    seed = 5201314,
    cores_for_parallel = 60
    )
  2. استخدم الدالة auc_vis_category_all() في Mime لرسم AUC الذي تنبأ به كل نموذج. استخدم الرموز التالية:
    auc_vis_category_all(res.ici,dataset = c("training","validation"),
    order= c("training","validation"))
  3. معالجة منحنى ROC لنموذج معين بين مجموعات البيانات المختلفة في Mime. استخدم الرموز التالية:
    plot_list<-list()
    methods <- c('nb','svmRadialWeights','rf','kknn', 'adaboost','LogitBoost','cancerclass')
    for (i in methods) {
    plot_list[[i]]<-roc_vis_category(res.ici,model_name = i,
    dataset = c("training","validation"),
    order= c("training","validation"),
    anno_position=c(0.4,0.25))
    }
    aplot::plot_list(gglist=plot_list,ncol=3)

4. اختيار الميزة الأساسية

  1. استخدم الدالة ML.Corefeature.Prog.Screen() في Mime استنادا إلى Example.cogroupt و genelist لتحديد الجينات الهامة. استخدم الرموز التالية:
    load("./Example.cohort.Rdata")
    load("./genelist.Rdata")
    res.feature.all <- ML.Corefeature.Prog.Screen(
    InputMatrix = list_train_vali_Data$Dataset1,
    candidate_genes = genelist,
    mode = "all",nodesize =5,seed = 5201314 )
  2. ترتبط جينات الإخراج ارتباطا وثيقا بنتائج المريض ، كما أن التكرار الأعلى للمتغير الذي تم فحصه يعني هذه ميزة أساسية (يتم تعريف المتغيرات التي يتم تصفيتها بشكل متكرر على أنها سمات أساسية). استخدم الدالة core_feature_rank() في التمثيل الصامت لرسم رتبة الجينات التي تمت تصفيتها بطرق مختلفة. استخدم الرموز التالية:
    core_feature_rank(res.feature.all, top=20)

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تم استخدام genelist و Example.cogroup بما في ذلك مجموعة تدريب واحدة ومجموعة تحقق واحدة لبناء نماذج تنبؤية من خلال دمج 10 خوارزميات للتعلم الآلي في Mime. من بين 117 نموذجا للتنبؤ تم إنشاؤه بواسطة Mime ، كان نموذج StepCox [إلى الأمام] + plsRcox المشترك (SPCOM) أعلى مؤشر C بين جميع المجموعات ، مما يشير إلى أدائه المتميز (الشكل 1 أ). تم تقسيم المرضى إلى مجموعات عالية الخطورة ومنخفضة الخطورة وفقا لمتوسط درجة المخاطر التي تم حسابها بواسطة SPCOM. ومن المثير للاهتمام أن المرضى الذين لديهم درجات عالي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

في هذه الدراسة ، نقدم وصفا مفصلا لكيفية استخدام حزمة Mime لتطوير نماذج تنبؤية قوية وقوية للتعلم الآلي لبيانات النسخ. في الدراسات السابقة ، غالبا ما كافح الباحثون في اختيار خوارزمية النموذج التنبؤي المناسبة بناء على الخصائص المحددة لبيانات التسلسلالخاصة بهم 13،14. بالإضافة إلى ذلك ، بالنسبة للباحثين الذين ليس لديهم خلفية في علوم الكمبيوتر ، هناك صعوبة معينة في استقرار بيئة التعلم الآلي ، واختيار المعلمات المناسبة ، ونشر النماذج في...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

لم يتم الإعلان عن أي تضارب في المصالح.

شكر وتقدير

نشكر جميع المشاركين والمحققين المشاركين في إنتاج البيانات.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
اسم الباقةالإصداربرمجيات
aplot0.1.10استوديو R
بارت2.9.4استوديو R
بوروتا8.0.0استوديو R
فئة السرطان1.38.0استوديو R
الاقحام6.0-89استوديو R
Ckmeans.1d.dp4.3.5استوديو R
قارن ج1.3.2استوديو R
خريطة الحرارة المعقدة2.15.1استوديو R
التراكيب2.0-4استوديو R
البيانات.جدول1.14.0استوديو R
doParallel1.0.16استوديو R
DPLYR1.1.3استوديو R
ه 10711.7-7استوديو R
فورستورستر1.1.0استوديو R
مستقبل1.21.0استوديو R
جي بي إم2.1.8.1استوديو R
جي جي بريك0.1.1استوديو R
ggplot23.4.1استوديو R
ggpubr0.4.0استوديو R
جي جي جي سي آي2.9استوديو R
جي إل ايم نت4.1-2استوديو R
شبكة4.1.3استوديو R
gridExtra2.3استوديو R
جي سي إي إي1.54.0استوديو R
جي إس في إيه1.40.1استوديو R
Hmisc5.1-1استوديو R
ك.ك.إن إن1.3.1استوديو R
الحياكة1.42استوديو R
ماغريتر2.7.2استوديو R
مصفوفة1.5-4استوديو R
ميتا5.2-0استوديو R
أدوات متفرقة0.6-28استوديو R
ميكس أوميكس6.18.1استوديو R
أدوات مختلطة1.2.0استوديو R
pbapply1.4-3استوديو R
الثابتة والمتنقلة1.7.7استوديو R
بروك1.18.0استوديو R
R4.1.3استوديو R
randomForestSRC4.6-14استوديو R
قارئ1.4.0استوديو R
الوصفات0.1.17استوديو R
إعادة الشكل21.4.4استوديو R
آر مارك داون2.8استوديو R
ROCit2.1.1استوديو R
ROCR1.0-11استوديو R
ميزان1.2.1استوديو R
عصفور1.0.3استوديو R
سترينجر1.5.0استوديو R
سوبر بي1.12استوديو R
بقاء3.3-1استوديو R
البقاء على قيد الحياةROC1.0.3استوديو R
SurvivalSVM0.0.5استوديو R
إس إيه3.40.0استوديو R
اختبار3.1.0استوديو R
تيبل3.2.1استوديو R
تيدير1.3.0استوديو R
Tidyverse1.3.1استوديو R
برنامج UpSetR1.4.0استوديو R
فيريديس0.6.1استوديو R

المراجع

  1. Reuter, J. A., Spacek, D. V., Snyder, M. P. High-throughput sequencing technologies. Mol Cell. 58 (4), 586-597 (2015).
  2. Adam, G., et al. Machine learning approaches to drug response prediction: challenges and recent progress. NPJ Precision Oncol. 4, 19(2020).
  3. Ding, L., et al. Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics. Cell. 173 (2), 305-320.e10 (2018).
  4. Liu, H., et al. A potassium-chloride co-transporter with altered genome architecture functions as a suppressor in glioma. J Cell Mol Med. 28 (9), e18352(2024).
  5. Hanahan, D. Hallmarks of Cancer: New Dimensions. Cancer Disc. 12 (1), 31-46 (2022).
  6. Kourou, K., et al. Machine learning applications in cancer prognosis and prediction. Comp Str Biotechnol J. 13, 8-17 (2015).
  7. Liu, Z., et al. Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer. Nat Comm. 13 (1), 816(2022).
  8. Sundar, R., et al. Machine-learning model derived gene signature predictive of paclitaxel survival benefit in gastric cancer: results from the randomised phase III SAMIT trial. Gut. 71 (4), 676-685 (2022).
  9. Zhang, W., et al. Machine learning-based investigation of regulated cell death for predicting prognosis and immunotherapy response in glioma patients. Sci Rep. 14 (1), 4173(2024).
  10. Zhang, W., et al. Pan-cancer evaluation of regulated cell death to predict overall survival and immune checkpoint inhibitor response. NPJ Precision Oncol. 8 (1), 77(2024).
  11. Hindocha, S., et al. A comparison of machine learning methods for predicting recurrence and death after curative-intent radiotherapy for non-small cell lung cancer: Development and validation of multivariable clinical prediction models. EBioMedicine. 77, 103911(2022).
  12. Liu, H., et al. Mime: A flexible machine-learning framework to construct and visualize models for clinical characteristics prediction and feature selection. Comput Str Biotechnol J. 23, 2798-2810 (2024).
  13. Hwang, H., et al. Big data and deep learning for RNA biology. Exp Mol Med. 56 (6), 1293-1321 (2024).
  14. Sharma, A., et al. Advances in AI and machine learning for predictive medicine. J Hum Genet. 69 (10), 487-497 (2024).
  15. Greener, J. G., et al. A guide to machine learning for biologists. Nat Rev Mol Cell Biol. 23 (1), 40-55 (2022).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

بناء النموذج التنبؤياختيار الميزاتتصور البياناتالتسلسل النسخينمذجة الإنذارالتنبؤ بالاستجابة العلاجيةتحليل البقاءتحديد الجينات الجوهريةمقاييس أداء النموذج
إنشاء النماذج وتصورها باستخدام إطار عمل التعلم الآلي المستند إلى MIME
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.