现有的算法为生物标志物检测数据集生成单一解决方案。本方案展示了存在多个效果相似的解决方案，并提供了一款用户友好的软件，以帮助生物医学研究人员针对所提出的挑战深入分析其数据集。计算机科学家也可在其生物标志物检测算法中集成此项功能。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
生物标志物检测是高通量“组学”研究人员面临的重要生物医学问题之一，几乎所有现有的生物标志物检测算法都会为给定数据集生成一个具有最优性能度量的生物标志物子集。然而，最近的一项研究证明了存在多个生物标志物子集，其分类性能相似甚至完全相同。本实验方案提供了一种简单直接的方法，用于检测二元分类性能优于用户自定义阈值的生物标志物子集。该方案包括数据准备与加载、基线信息汇总、参数调优、生物标志物筛选、结果可视化与解释、生物标志物基因注释，以及达到出版质量的结果和可视化导出。所提出的生物标志物筛选策略直观易懂，展示了开发生物标志物检测算法的一般性原则。我们使用编程语言 Python 开发了一个用户友好的图形用户界面（GUI），使生物医学研究人员能够直接访问其分析结果。kSolutionVis 的源代码和使用手册可从 http://www.healthinformaticslab.org/supp/resources.php 下载。
引言
二元分类是生物医学领域中最常见且具有挑战性的数据挖掘问题之一，用于构建分类模型，通过对两组样本进行训练以实现最准确的区分能力1,2,3,4,5,6,7。然而，生物医学领域产生的大数据具有固有的“高维小样本”范式，即特征数量通常远大于样本数量6,8,9。因此，生物医学研究人员在使用分类算法前必须降低特征维度，以避免过拟合问题8,9。诊断生物标志物被定义为一组能够将特定疾病的患者样本与健康对照样本区分开来的检测特征10,11。通常将患者定义为阳性样本，健康对照....
访问受限。请登录或开始试用以查看此内容。
方案
注意：以下方案详细描述了信息学分析流程及主要模块的伪代码。该自动分析系统使用 Python 3.6.0 版本及 Python 模块 pandas、abc、numpy、scipy、sklearn、sys、PyQt5、sys、mRMR、math 和 matplotlib 开发而成。本研究中使用的材料列于材料表中。
1. 准备数据矩阵和类别标签
- 将数据矩阵文件准备为以制表符（TAB）或逗号分隔的矩阵文件，如图1A所示。
注意：每一行包含一个特征的所有数值，第一项为特征名称。特征可以是基于微阵列转录组数据集的探针集ID，也可以是甲基化组数据集中带有甲基化值的半胱氨酸残基等其他值ID。每一列给出一个给定样本的特征值，第一项为样本名称。行内各列通过制表符（图1B）或逗号（图1C）分隔。以制表符分隔的矩阵文件使用 .tsv 作为文件扩展名，以逗号分隔的矩阵文件使用 .csv 作为扩展名。该文件可通过在 Microsoft Excel 等软件中将矩阵另存为 .tsv 或 .csv 格式生成，也可通过编程代码生成。 - 将类别标签文件准备为以制表符或逗号分隔的矩阵文件（图1D....
访问受限。请登录或开始试用以查看此内容。
结果
本工作流程（图 6）的目标是检测多个具有相似效能的生物标志物子集，适用于二元分类数据集。整个过程通过两个示例数据集 ALL1 和 ALL2 进行说明，这些数据集提取自最近发表的一项生物标志物检测研究12,48。用户可按照补充材料中的说明安装 kSolutionVis。
数据集ALL1对95份B细胞和33份T细胞急性淋巴细胞白血病患者血液样本的12,625个转录组学特征进行了分析。而数据集ALL2则检测了65名治疗后复发的ALL患者和35名未复发ALL患者的12,625个转录组学特征的表达水平。为方便用户，该软件1.4版本中提供了这两个转录组数据集及其类别标签。两个数据集均位于软件源代码目录下的"data"子目录中。
访问受限。请登录或开始试用以查看此内容。
讨论
本研究提出了一种易于操作的多解生物标志物检测与表征方案，适用于用户指定的二分类数据集。该软件注重用户友好性，并提供针对多种文件格式的灵活导入/导出接口，使生物医学研究人员能够通过软件的图形用户界面（GUI）轻松分析其数据集。本研究还强调了生成多个建模性能相近的有效解的必要性，而这一点此前被许多现有的生物标志物检测算法所忽略。未来，新开发的生物标志物检测算法可通过记录所有具有足够建模性能的中间生物标志物子集，将此功能纳入其中。
在本方案中，步骤1和步骤5最为重要，因为该软件是一个完全自动化的系统，依赖于格式正确的输入文件。在测试过程中发现，数据矩阵与类别标签文件中的样本名称不匹配可能导致软件出错，此时软件将弹出关于此错误的警告对话框。因此，如果用户发现数据矩阵或类别标签文件中没有任何样本被加载，应通过以下故障排查技巧进行检查 是再次检查两个输入文件中的样本名称是否不一致。如果在三维散点图中未显示任何点，则可能是由于参数 pCutoff 高于最佳解决方案。此时，故障排除的技巧是降低分类性能评估指标的阈值（参数 pCutoff然而，对于较难的.......
访问受限。请登录或开始试用以查看此内容。
披露
我们与本报告无任何利益冲突。
致谢
本工作得到了中国科学院战略性先导科技专项（XDB13040400）和吉林大学启动经费的支持。感谢匿名评审人和生物医学测试用户对提升kSolutionVis的可用性和功能所提出的建设性意见。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 硬件 | |||
| 笔记本电脑 | Lenovo | X1 carbon | 任何计算机均可使用。推荐最低配置：额外1GB硬盘空间、1GB内存、2.0MHz CPU |
| 名称 | 公司 | 目录编号 | 备注 |
| 软件 | |||
| Python 3.0 | WingWare | Wing Personal | 任何支持 Python 3.0 或更高版本的编程与运行环境均可使用 |
参考文献
- Heckerman, D., et al. Genetic variants associated with physical performance and anthropometry in old age: a genome-wide association study in the ilSIRENTE cohort. Scientific Reports. 7, 15879(2017).
- Li, Z., et al.
访问受限。请登录或开始试用以查看此内容。
重印与许可
