Name: 用相似有效的二元分类性能选择多个生物标记子集 (视频) | JoVE Journal
Uploaded: 2018-10-11T13:00:00.000+00:00
Duration: 7 min 35 s
Description: 探索用于生物医学检测的多重生物标记子集选择方法。该软件提供图形用户界面，帮助研究人员加载数据矩阵和类别标签，识别具有相似有效二元分类性能的多个特征子集，从而提升生物标记检测的准确性和效率。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

playerTrialDesktop

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。

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
<ol>
	<li>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。</li>
	<li>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），格式与数据矩阵文件类似。 
	注意：第一列为样本名称，每个样本的类别标签位于标题为Class的列中。编码过程中已考虑最大兼容性，因此可添加额外列。类别标签文件可保存为 .tsv 或 .csv 格式。Class列中的名称可以是任意术语，样本类别可超过两类。用户可在后续分析中任选其中两类进行分析。</li>
</ol>
2. 加载数据矩阵和类别标签
<ol>
	<li>将数据矩阵和类别标签加载到软件中。点击按钮 Load data matrix 选择用户指定的数据矩阵文件。点击按钮 Load class labels 选择对应的类别标签文件。 
	注意：两个文件加载完成后，kSolutionVis 将自动检查两个文件之间的兼容性。</li>
	<li>从数据矩阵文件中汇总特征和样本信息。评估数据矩阵文件的大小。</li>
	<li>从类别标签文件中汇总样本和类别信息。评估类别标签文件的大小。</li>
	<li>检测数据矩阵中的每个样本是否都有对应的类别标签。统计具有类别标签的样本数量。</li>
</ol>
3. 汇总并展示数据集的基线统计信息
<ol>
	<li>点击按钮 总结，无需输入特定关键词，软件将显示20个索引特征及其对应的特征名称。 
	注意：用户需要指定希望查找的特征名称，以查看其在所有输入样本中的基线统计信息及相应的值分布。</li>
	<li>提供一个关键词， 例如 “1000_at”，在文本框中 特征 以查找需汇总的特定特征。点击按钮 总结 以获取该特征的基线统计信息。 
	注意：关键词可出现在目标特征名称的任意位置，便于用户进行搜索。</li>
	<li>点击按钮 总结 通过给定的关键词查找多个特征，然后指定唯一的特征ID，以继续执行上述步骤来汇总某一特定特征。</li>
</ol>
4. 确定类别标签和最高排名特征的数量
<ol>
	<li>在下拉框中选择阳性（“P (33)”）和阴性（“N (95)”）类别的名称 阳性类别 和 阴性类别，如图所示 图2 （中） 
	注意：建议选择一个平衡的二分类数据集， 即，阳性样本与阴性样本数量之间的差异极小。每个类别标签名称后的括号中也给出了相应的样本数量。</li>
	<li>选择10作为排名靠前的特征数量（参数） pTopX下拉框中的） 前X个（？） 用于特征子集的全面筛选。 
	注意：该软件会自动根据特征对所有特征进行排序 P-值 通过 t 检验对每个特征在阳性组和阴性组之间进行比较而计算得出。具有较小 p 值的特征 P-值 在两类样本之间具有更强的区分能力。综合筛选模块计算量较大。参数 pTopX 默认值为10。用户可在10至50的范围内调整此参数，直至找到具有优良分类性能且令人满意的功能子集。</li>
</ol>
5. 针对不同性能调优系统参数
<ol>
	<li>在下拉框 Acc/bAcc (?) 中为所选分类器极限学习机（Extreme Learning Machine, ELM）选择性能度量指标（pMeasurement）准确率（Acc）。该参数的另一个选项是平衡准确率（bAcc）。 
	注：设 TP、FN、TN 和 FP 分别为真阳性、假阴性、真阴性和假阳性的数量。度量指标 Acc 定义为 (TP+TN)/(TP+FN+TN+FP)，在平衡数据集上表现最佳6。但如果负样本数量远大于正样本数量，以 Acc 为优化目标的分类器倾向于将所有样本归为负类。bAcc 定义为 (Sn+Sp)/2，其中 Sn = TP/(TP+FN) 和 Sp = TN/(TN+FP) 分别为正样本和负样本的正确预测率。因此，bAcc 对两个类别的预测性能进行归一化处理，可在两个不平衡类别之间实现较为均衡的预测性能。Acc 是 pMeasurement 的默认选项。软件默认使用 ELM 分类器来计算分类性能。用户也可从支持向量机（SVM）、k 近邻（KNN）、决策树或朴素贝叶斯分类器中选择其他分类器。</li>
	<li>在输入框 pCutoff: 中为指定的性能度量指标选择阈值 0.70（参数 pCutoff）。 
	注：Acc 和 bAcc 的取值范围均为 0 到 1，用户可指定一个 pCutoff<img alt="静态平衡图，ΣFx=0，矢量力，教育物理概念，力平衡分析" src="/files/ftp_upload/57738/57738eq1.jpg" data-altupdatedat="1762258740000" data-alt="Equation">[0, 1] 作为阈值以显示符合条件的解。软件将执行全面的特征子集筛选，适当选择 pCutoff 可使三维可视化结果更加直观和清晰。pCutoff 的默认值为 0.70。</li>
</ol>
6. 运行流程并生成交互式可视化结果
<ol>
	<li>单击 分析 按钮以运行流程并生成可视化图表，如 图2（底部）所示。 
	注意：左侧表格列出了所有特征子集及其通过ELM分类器的10折交叉验证策略计算得到的 pMeasurement 值，具体方法如前所述5。根据当前参数设置，将生成两个三维散点图和两个折线图，用于特征子集筛选过程。</li>
	<li>将 pMeasurement 截断值（参数 piCutoff，输入框 值）的默认值设为0.70，并将最佳特征子集数量（参数 piFSNum）的默认值设为10。 
	注意：流程使用参数 pTopX、pMeasurement 和 pCutoff 执行。检测到的特征子集可进一步通过截断值 piCutoff 进行筛选，但 piCutoff 不得小于 pCutoff。因此，piCutoff 初始化为 pCutoff，仅性能度量值 ≥ piCutoff 的特征子集将被可视化。默认情况下，piCutoff 等于 pCutoff。有时kSolutionVis会检测到大量解，此时仅可视化性能最优的 piFSNum 个特征子集（默认为10个）。若软件检测到的特征子集数量少于 piFSNum，则所有特征子集都将被可视化。</li>
	<li>收集并解读软件检测到的特征，如 图3 所示。 
	注意：左侧框中的表格展示了检测到的特征子集及其性能度量值。前三列的列名分别为“F1”、“F2”和“F3”，每个特征子集中的三个特征按其排序顺序排列在一行中（F1 &lt; F2 &lt; F3）。最后一列给出每个特征子集的性能度量值（Acc 或 bAcc），该列的列名（Acc 或 bAcc）即为 pMeasurement 的取值。</li>
</ol>
7. 解读三维散点图——使用三维散点图可视化并解读具有相似有效二分类性能的特征子集
<ol>
	<li>点击按钮 分析 生成分类性能最优的前 10 个特征子集的三维散点图（Acc 或 bAcc) 由软件检测到，如图所示 图3 （中间框）。将特征子集中的三个特征按其排名升序排列，并以这三个特征的排名作为 F1/F2/F3 轴， 即, F1 &lt; F2 &lt; F3. 
	注意：点的颜色表示相应特征子集的二元分类性能。一个数据集可能具有多个性能度量相近的特征子集。因此，需要一个交互式且简化的散点图。</li>
	<li>在输入框中将数值更改为 0.70 pCutoff： 并点击按钮 分析 生成性能度量 ≥ 的特征子集的三维散点图 piCutoff，如图所示 图3 （右侧框）。单击按钮 3D 调参 打开一个新窗口，以手动调整三维散点图的视角。 
	注意：每个特征子集均以与上述相同的方式用一个点表示。三维散点图以默认角度生成。为便于三维可视化与调节，点击按钮将打开一个独立窗口 3D 调参.</li>
	<li>点击按钮 减少 以降低检测到的特征子集的冗余性。 
	注意：如果用户希望进一步筛选特征三元组并最小化特征子集的冗余性，该软件还提供了基于 mRMR 特征选择算法的此功能。单击后 减少 按钮，kSolutionVis 将移除特征三元组中的冗余特征，并重新生成上述表格和两个散点图。特征三元组中被移除的特征将在表格中由关键词替代。其数值的 无 在 F1/F2/F3 轴上的值将表示为 piFSNum （F1/F2/F3 正常值范围为 [1, top_x]）。因此，包含一个 无 该值在三维图中可能显示为“离群”点。手动可调节的三维点图可在补充材料的“三维点图的手动调节”部分找到。</li>
</ol>
8. 查找基因注释及其与人类疾病的相关性
注意：步骤 8 至 10 将说明如何从 DNA 和蛋白质序列水平对基因进行注释。首先，将从数据库 DAVID32 中检索上述步骤中各生物标志物 ID 的基因符号，然后分别使用两个代表性网络服务器从 DNA 和蛋白质水平分析该基因符号。GeneCard 服务器提供对特定基因符号的全面功能注释，而在线人类孟德尔遗传数据库（OMIM）提供最全面的疾病-基因关联 curated 数据。UniProtKB 服务器是最全面的蛋白质数据库之一，而基于基序的预测系统（GPS）可预测大量激酶的信号磷酸化位点。
<ol>
	<li>将数据库 DAVID 的网页链接复制并粘贴到网络浏览器中，打开该数据库的网页。点击链接 基因 ID 转换 见于 图4A 并输入数据集 ALL1 的第一个生物标志物子集的特征 ID 38319_at/38147_at/33238_at图4B。点击链接 基因列表 并点击 提交列表 如所示 图4B. 检索感兴趣的注释并点击 显示基因列表 (图4C). 获取基因符号列表（图 4D). 
	注意：此处获取的基因符号将在后续步骤中用于进一步的功能注释。</li>
	<li>将 Gene Cards 数据库的网址复制并粘贴到网页浏览器中，打开该数据库的网页。在数据库的查询输入框中搜索基因名称 CD3D，并从 Gene Cards 中获取该基因的注释信息33,34，如图所示 表1 和 图 5A. 
	注意：Gene Cards 是一个综合性的基因知识库，提供基因命名、基因组学、蛋白质组学、亚细胞定位以及相关通路和其他功能模块信息。此外，它还提供指向 PDB/PDB_REDO 等多种其他生物医学数据库的外部链接。35, Entrez基因36OMIM37，以及 UniProtKB38如果特征名称不是标准基因符号，请使用 ENSEMBL 数据库进行转换39CD3D 是 T 细胞受体 T3 delta 链基因的名称。</li>
	<li>将数据库 OMIM 的网页链接复制并粘贴到网络浏览器中，打开该数据库的网页。搜索基因名称 CD3D，并从数据库 OMIM 中查找该基因的注释信息。37，如图所示 表1 和 图5B. 
	注意：OMIM 目前是人类基因与遗传性疾病关联信息最全面且权威的资源之一。OMIM 由 Victor A. McKusick 博士发起，旨在对与疾病相关的遗传突变进行编目40. 截至12月，OMIM现已涵盖超过15,000个人类基因和超过8,500种表型，st 2017.</li>
</ol>
9. 注释编码蛋白及其翻译后修饰
<ol>
	<li>将数据库 UniProtKB 的网页链接复制并粘贴到网络浏览器中，打开该数据库的网页。在 UniProtKB 的查询输入框中搜索基因名称 CD3D，并从数据库中查找该基因的注释信息38，如表1和图5C所示。 
	注意：UniProtKB 收集了丰富的蛋白质注释信息，包括命名法和功能信息。该数据库还提供与其他广泛使用的数据库的外部链接，包括 PDB/PDB_REDO35、OMIM37 和 Pfam41。</li>
	<li>将网络服务器 GPS 的网页链接复制并粘贴到网络浏览器中，打开该服务器的网页。从 UniProtKB 数据库38中获取生物标志物基因 CD3D 编码的蛋白质序列，并使用在线工具 GPS 预测该蛋白质的翻译后修饰（PTM）残基，如表1和图5D所示。 
	注意：生物系统是动态且复杂的，现有数据库仅收集已知信息。因此，生物医学预测的在线工具以及离线程序可提供有用的证据，以补充假设的作用机制。GPS 已开发并持续改进超过12年7,42，可用于预测给定肽序列中蛋白质的翻译后修饰残基43,44。此外，还提供适用于多种研究主题的工具，包括蛋白质亚细胞定位45和转录因子结合基序46的预测等。</li>
</ol>
10. 注释蛋白质-蛋白质相互作用及其富集的功能模块
<ol>
	<li>将 String 网络服务器的网页链接复制并粘贴到网络浏览器中，打开该网络服务器的网页。在数据库 String47 中搜索基因 CD3D 和 P53，并查找它们的协调特性。也可使用另一个网络服务器 DAVID32 执行相同的操作。 
	注意：除了上述针对单个基因的注释外，目前还有许多大规模生物信息学工具可用于研究一组基因的特性。最近一项研究表明，单独表现不佳的标志基因可能共同组成显著改善的基因集合5。因此，投入计算资源筛选更复杂的生物标志物是值得的。数据库 String 可视化已知或预测的相互作用连接，而 DAVID 服务器可检测查询基因中具有显著表型关联的功能模块47,32。此外，还有多种其他大规模生物信息学分析工具可供使用。</li>
</ol>
11. 导出生成的生物标志物子集及可视化图谱
<ol>
	<li>将检测到的生物标志物子集导出为 .tsv 或 .csv 文本文件，以便进一步分析。点击所有检测到的生物标志物子集表格下方的 导出表格 按钮，并选择要保存的文本格式。</li>
	<li>将可视化图表导出为图像文件。点击每个图表下方的 保存 按钮，并选择要保存的图像格式。 
	注意：软件支持像素格式 .png 和矢量格式 .svg。像素图像适用于在计算机屏幕上显示，而矢量图像可转换为适用于期刊发表所需的任意分辨率。</li>
</ol>

我们与本报告无任何利益冲突。

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&#160;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...

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，健康对照则定义为阴性样本12。
最近的研究表明，对于生物医学数据集，可能存在多个具有相同或相似分类性能的解决方案5。几乎所有的特征选择算法都是确定性算法，对同一数据集仅产生一个解决方案。遗传算法可能同时生成多个性能相似的解决方案，但它们仍然试图为给定数据集选择一个具有最佳适应度函数的解决方案作为输出13,14。
特征选择算法大致可分为过滤法或封装法12一种过滤算法选择排名靠前的k 基于特征间相互独立的假设，根据各特征与二分类标签的显著性个体关联程度进行排序的特征15,16,17尽管这一假设几乎不适用于所有真实世界的数据集，但在许多情况下，启发式过滤规则仍表现出良好的效果，例如最小冗余最大相关（Minimum Redundancy and Maximum Relevance, mRMR）算法、基于Wilcoxon检验的特征筛选（WRank）算法以及基于受试者工作特征曲线（Receiver operating characteristic, ROC）图的筛选（ROCRank）算法。与最大依赖性特征选择算法相比，mRMR是一种高效的过滤算法，它将组合估计问题近似为一系列更小的问题，每个问题仅涉及两个变量，因而使用成对联合概率，具有更强的鲁棒性18,19然而，mRMR 可能会低估某些特征的有用性，因为它不衡量特征之间的相互作用（这些相互作用可提高相关性），因此会遗漏一些单独无用但组合起来有用的特征组合。WRank 算法计算一个特征在两类样本之间区分能力的非参数评分，以其对异常值的鲁棒性而著称20,21此外，ROCRank 算法评估某一特征在所研究的二分类性能中其受试者工作特征曲线下面积（AUC）的显著性程度22,23.
另一方面，包装法通过启发式规则迭代生成给定特征子集，并评估预定义分类器在该子集上的性能，从而获得性能度量最优的特征子集24. 在分类性能方面，包装法通常优于过滤法，但运行速度较慢25例如，正则化随机森林（RRF）26,27 该算法采用贪心规则，在随机森林的每个节点上通过吉尼指数评估训练数据子集上特征的重要性得分。若新特征的信息增益未能优于已选特征的信息增益，则该特征的选择将受到惩罚。此外，微阵列预测分析（PAM）28,29 算法，同样也是一种封装算法，会为每个类别标签计算一个质心，然后选择特征以将基因质心向整体类别质心收缩。PAM 对异常特征具有较强的鲁棒性。
对于任何给定数据集，可能存在多个具有最优分类性能的解决方案。首先，确定性算法的优化目标由数学公式定义， 例如, 最小错误率30，这对于生物样本而言未必理想。其次，一个数据集可能存在多个显著不同的解决方案，但其分类效果相似甚至完全相同。几乎所有现有的特征选择算法都会随机选取其中一种解决方案作为输出31.
本研究将介绍一种信息学分析流程，用于为任意给定的二分类数据集生成多个具有相似性能的特征选择方案。考虑到大多数生物医学研究人员对信息学技术或计算机编程不熟悉，本研究开发了一个用户友好的图形用户界面（GUI），以促进对生物医学二分类数据集的快速分析。该分析流程包括数据加载与汇总、参数调优、流程执行及结果解读。研究人员只需简单点击，即可生成生物标志物子集以及可用于发表的高质量可视化图表。该流程已使用急性淋巴细胞白血病（ALL）的两个二分类数据集的转录组数据进行了验证， 即，ALL1 和 ALL212ALL1和ALL2数据集下载自布罗德研究所基因组数据分析中心，可从http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi获取。&#160;ALL1 包含 128 个样本，每个样本具有 12,625 个特征。其中，95 个为 B 细胞急性淋巴细胞白血病（B-cell ALL）样本，33 个为 T 细胞急性淋巴细胞白血病（T-cell ALL）样本。ALL2 同样包含 100 个样本，每个样本具有 12,625 个特征，其中 65 名患者出现复发，35 名患者未复发。ALL1 是一个较易进行二分类的數據集，四种过滤法和四种封装法的最低分类准确率为 96.7%，八种特征选择算法中有六种达到了 100% 的准确率12尽管ALL2是一个更具挑战性的数据集，上述8种特征选择算法在该数据集上的准确率均未超过83.7%12该最高准确率由包装器算法“基于相关性的特征选择”（CFS）检测出的56个特征实现。

<table><tbody><tr><td>&lt;strong&gt;硬件&lt;/strong&gt;</td><td></td><td></td><td></td></tr><tr><td>笔记本电脑</td><td>Lenovo</td><td>X1 carbon</td><td>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</td></tr><tr><td>&lt;strong&gt;名称&lt;/strong&gt;</td><td>&lt;strong&gt;公司&lt;/strong&gt;</td><td>&lt;strong&gt;目录编号&lt;/strong&gt;</td><td>&lt;strong&gt;备注&lt;/strong&gt;</td></tr><tr><td>&lt;strong&gt;软件&lt;/strong&gt;</td><td></td><td></td><td></td></tr><tr><td>Python 3.0</td><td>WingWare</td><td>Wing Personal</td><td>任何支持 Python 3.0 或更高版本的编程与运行环境均可使用</td></tr></tbody></table>

选择具有相似有效二元分类性能的多个生物标志物子集

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

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。

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。
<p class="jove_content" fo:...

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。

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，最近一项研究表明，存在多个生物标志物子集，其分类性能相似甚至完全相同。本实验方案介绍了一种简单直接的方法，用于检测二元分类性能优于用户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、结果可视化与解读、生物标志物基因注释，以及以出版级质量导出结果与可视化图像。所提出的生物标志物筛选策略直观易懂，为开发生物标志物检测算法提供了一般性原则。本研究使用编程语言 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获取分析结果。kSolutionVis 的源代码和使用手册可从 http://www.healthinformaticslab.org/supp/resources.php 下载。

该方法有助于回答生物医学检测领域中关于生成多个解决方案的关键问题。该技术的主要优势在于提供了一个用户友好的图形界面，以协助生物医学研究人员进行多特征子集的检测。首先将数据矩阵和类别标签加载到软件中。单击“加载数据矩阵”以选择用户指定的数据矩阵文件，并单击“加载类别标签”以选择相应的类别标签文件。为确定在排名靠前的特征数量中的类别标签，请在相应的下拉框中选择正类和负类的名称，并在“前 X 个”下拉框中选择 10 作为排名靠前的特征数量，以全面筛查特征子集。为针对不同性能调优系统参数，请在所选极限学习机分类器的“准确率平衡准确率”下拉框中选择性能度量指标为“准确率”。然后，在性能阈值输入框中为指定的性能度量选择 0.7 的截断值。要运行该流程，请单击“分析”并选择 0.7 作为性能度量截断值的默认值，以及 10 作为最优特征子集的默认数量。然后收集并解读软件检测到的特征。要生成软件检测到的分类性能最优的子集中排名前10位特征的三维散点图，请点击“analyze”，并将特征子集中的三个特征按照其排名升序排列，以这三个特征的排名作为F1、F2和F3轴。将性能阈值更改为0.7，然后点击“analyze”，以生成性能测量值大于或等于该阈值的特征子集的三维散点图。然后点击 3D tuning 以打开一个新窗口，手动调整 3D 散点图的观察角度，并点击 reduce 以减少所检测特征子集的冗余性。要在 DNA 和蛋白质序列水平上对基因进行注释，打开 David 数据库网页，点击基因 ID 转换链接，输入已准备数据集中第一个生物标志物子集的特征 ID。点击基因列表链接，然后点击提交列表以获取感兴趣的注释信息，并显示基因列表以获得基因符号列表。接下来，打开 GeneCards 数据库网页，将目标基因的名称输入数据库查询输入框，以查找该基因的注释信息。打开在线人类孟德尔遗传数据库（Online Mendelian Inheritance in Man），搜索该基因以获取该数据库中该基因的注释信息。为注释其编码的蛋白质，打开 UniProt 知识库数据库页面，并在此数据库中搜索该基因的注释信息。打开基于组的预测系统（GPS网络服务器），从UniProt知识库数据库中检索生物标志物基因编码的蛋白质序列，并使用在线GPS工具预测蛋白质的翻译后修饰位点。为了注释蛋白质-蛋白质相互作用及其富集的功能模块，请打开STRING网络服务器页面，利用STRING数据库搜索目标基因，以发现它们的协同特性。如需导出检测到的生物标志物子集以进行进一步分析，请点击“导出表格”并选择合适的文本格式保存文件。然后，将可视化图表分别导出为独立的图像文件，单击每个图表下方的“保存”按钮，并选择适当的图像格式来保存每个文件。在此代表性实验中，两个数据集被格式化为 CSV 文件，并按演示方式加载到软件中。在第一个数据

selecting-multiple-biomarker-subsets-with-similarly-effective-binary

Research

科研

JoVE Journal

Cancer Research

癌症研究

用相似有效的二元分类性能选择多个生物标记子集

包括主成分分析（PCA）在内的多变量技术已被用于识别功能脑成像中区域变化的特征模式。我们开发了一种算法，用于识别神经退行性疾病诊断、疾病进展评估以及患者群体治疗效果客观评价中的可重复性网络生物标志物。...

利用神经影像数据识别与疾病相关的空间协变模式

该方法可生成决策树，用于识别更易患轻度认知障碍的人群，有助于对该疾病的低成本选择性筛查。...

一种基于机器学习的轻度认知障碍高效选择性筛查设计方法

LEfSe（LDA效应大小）是一种用于高维生物标志物挖掘的工具，可识别在微生物组数据中显著表征两个或多个组的基因组特征（如基因、通路和分类群）。...

基于线性判别分析效应量（LEfSe）的微生物组数据生物标志物辅助筛选

本文介绍一种将转录组数据转换为 mqTrans 视图的实验方案，从而实现对“暗”生物标志物的识别。这些生物标志物在传统的转录组分析中并未表现出差异表达，但在 mqTrans...

在小数据集上生成转录组特征的转录调控视图以用于预测任务与暗生物标志物检测

本文介绍了可寻址液滴微阵列（ADMs），这是一种基于液滴阵列的方法，能够测定单个细胞中蛋白质的绝对丰度。我们展示了ADMs在表征人源癌细胞系中肿瘤抑制蛋白p53表达异质性方面的应用能力。...

使用可寻址液滴微阵列对单细胞中的蛋白质进行计数

腹腔镜胰十二指肠切除术（LPD）相较于开腹胰十二指肠切除术可能具有更多优势，包括术后早期活动、减少胃排空延迟以及更短的住院时间。然而，LPD 在技术上具有挑战性，且目前尚无标准化操作流程，尤其是在胰腺吻合方面。本文介绍一种在 LPD 术中进行胰腺吻合的标准化技术：改良 Blumgart...

腹腔镜胰十二指肠切除术联合改良Blumgart胰肠吻合术

在此，我们采用生物发光、X射线以及正电子发射断层扫描/计算机断层扫描成像技术，研究抑制mTOR活性对异种移植模型中骨髓植入性骨髓瘤肿瘤的影响。该方法可对靶向骨髓植入性骨髓瘤肿瘤的治疗手段的抗骨髓瘤效应进行符合生理条件的、无创的和多模态的分析 体内.

NOG小鼠中多发性骨髓瘤骨髓异种移植的多模态生物发光与正电子发射断层扫描/计算机断层扫描成像

本文介绍了一种用于在细胞水平上进行中至高通量蛋白质磷酸化事件分析的实验方案。磷酸化流式细胞术是一种强大的方法，可用于表征信号转导异常、鉴定和验证生物标志物，以及评估药物效应动力学。...

采用荧光细胞条形码技术的磷酸化流式细胞术用于单细胞信号通路分析与生物标志物发现

本文描述了一种单壁碳纳米管（SWCNT）偶联的MALAT1反义间隔子DNA寡核苷酸（SWCNT-anti-MALAT1）的合成方法，该复合物在体外和体内均表现出可靠的SWCNT递送效果以及anti-MALAT1的显著治疗作用。文中详细介绍了SWCNT-anti-MALAT1的合成、修饰、偶联及注射所采用的方法。...

单壁碳纳米管递送 MALAT1 反义寡核苷酸在体内抑制多发性骨髓瘤细胞生长

本文介绍了一种基于对来自多种公开数据库的合并临床数据集进行综合分析，以逐步开展表达、相关性及生存分析策略，探索乳腺癌生物标志物和生存预测因子的实验方案。...

利用多个公开数据库对乳腺癌生物标志物进行数据挖掘与整合分析

探索用于生物医学检测的多重生物标记子集选择方法。该软件提供图形用户界面，帮助研究人员加载数据矩阵和类别标签，识别具有相似有效二元分类性能的多个特征子集，从而提升生物标记检测的准确性和效率。

选择具有相似有效二元分类性能的多个生物标志物子集

探索更多视频