Mime ist ein flexibles Rechen-Framework zur Erstellung eines auf maschinellem Lernen basierenden Integrationsmodells mit eleganter Leistung. Hier bieten wir ein detailliertes Schritt-für-Schritt-Verfahren für die Entwicklung von Vorhersagemodellen mit hoher Genauigkeit, wobei wir komplexe Datensätze nutzen, um kritische Gene zu identifizieren, die mit dem Fortschreiten der Krankheit, den Patientenergebnissen und dem therapeutischen Ansprechen verbunden sind.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Methodenartikel
Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen
* These authors contributed equally
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die weit verbreitete Hochdurchsatz-Sequenzierungstechnologie hat unser Verständnis der Biologie und der Heterogenität von Krebs erheblich verbessert. Algorithmen des maschinellen Lernens auf der Grundlage von Transkriptionsdaten sind für die Vorhersage der Patientenprognose und des klinischen Ansprechens unerlässlich geworden. Trotz Fortschritten bei Algorithmen des maschinellen Lernens gibt es nach wie vor keine Open-Source-Plattform, die die ausgefeiltesten Algorithmen des maschinellen Lernens auf Transkriptionsdaten integriert. Um diese Lücke zu schließen, haben wir Mime entwickelt, ein vielseitiges Framework für maschinelles Lernen, um die Konstruktion und Visualisierung von Vorhersagemodellen für klinische Merkmale und Gensignaturen zu verbessern. Durch die Integration verschiedener Datensätze und den Einsatz der fortschrittlichsten Techniken zur Merkmalsauswahl adressiert Mime kritische Herausforderungen bei der klinischen Vorhersage. Es bietet drei Hauptfunktionen, darunter Modellkonstruktion, Merkmalsauswahl und Datenvisualisierung. Die Modellkonstruktion umfasst eine Reihe von Algorithmen des maschinellen Lernens, einschließlich, aber nicht beschränkt auf Entscheidungsbäume, Support Vector Machines und Ensemble-Methoden, die es den Forschern ermöglichen, den am besten geeigneten Ansatz für ihre spezifische Analyse auszuwählen. Bei der Merkmalsauswahl werden fortschrittliche Algorithmen wie die rekursive Merkmalseliminierung und die LASSO-Regression verwendet, um das Dataset zu optimieren und sich auf die informativsten Merkmale zu konzentrieren. Das Framework unterstützt die anpassbare Parameterabstimmung durch Kreuzvalidierungsmethoden, optimiert die Modellleistung und mindert gleichzeitig das Risiko einer Überanpassung. In Mime integrierte Visualisierungstools ermöglichen es Forschern, Modellergebnisse effektiv zu interpretieren, indem sie grafische Darstellungen der Wichtigkeit von Merkmalen und prädiktive Leistungsmetriken liefern. In diesem Manuskript stellen wir ein detailliertes Tutorial zu den schrittweisen Verfahren dieses vielseitigen Frameworks für maschinelles Lernen zur Verfügung.
Einleitung
Die weit verbreitete Einführung von Hochdurchsatz-Sequenzierungstechnologien hat unser Verständnis der Biologie und der Heterogenität von Krebs erheblich beeinflusst1. Dieser bahnbrechende Fortschritt in der Biotechnologie hat nicht nur unsere wissenschaftlichen Kenntnisse vertieft, sondern auch das Feld der medizinischen Forschung revolutioniert. Durch die schnelle und genaue Sequenzierung großer Mengen an genetischem Material hat die Hochdurchsatz-Sequenzierung die Entdeckung neuer Gene, Mutationen und biologischer Signalwege beschleunigt. Eine wachsende Zahl von Forschungsarbeiten hat anhand von Sequenzierungsdaten spezifische molekulare Signaturen im Zusammenhang mit dem Krankheitsverlauf, der Patientenprognose und dem therapeutischen Ansprechen abgegrenzt 2,3,4. Diese spezifischen Signaturen bieten ein umfassendes Verständnis des transkriptionellen regulatorischen Netzwerks, das der Tumorbiologie zugrunde liegt, einschließlich Tumorursprung, Differenzierung, Migration und Behandlungsresistenz5. Diese Merkmale sind oft vielfältig und vielfältig und umfassen mehrere Facetten, anstatt auf ein einzelnes Exponat beschränkt zu sein. Dies erschwert das Screening und die Identifizierung spezifischer Gene, die in hohem Maße mit der Krankheit assoziiert sind. Daher besteht ein dringender Bedarf an vernünftigen Computerstrategien, um wichtige Gene zu screenen, die an Krankheiten beteiligt sind.
Maschinelles Lernen (ML) ist ein Zweig der künstlichen Intelligenz, der sich auf den Aufbau von Systemen konzentriert, die aus komplexen Datensätzen lernen, Muster erkennen und ein Vorhersagemodell mit hoher Genauigkeit entwickeln können, um eine Referenz für die Entscheidungsfindung zu liefern6. In jüngster Zeit hat die Entwicklung von auf maschinellem Lernen basierenden Modellen aus Transkriptomdaten zur Vorhersage von Patientenergebnissen oder zur Diagnose von Krankheiten bei einer Vielzahl von Krankheiten rasche Fortschritte gemacht 7,8,9,10. Die Leistung dieser Modelle variiert aufgrund der unterschiedlichen Datensätze und Algorithmen, die für das Training verwendet werden, oft stark. Die Auswahl des optimalen Modells für nachfolgende Experimente und klinische Anwendungen hat sich als drängende Herausforderung herausgestellt. Ein praktikabler Ansatz besteht darin, die Leistung verschiedener Modelle zu vergleichen und das vielversprechendste Modell für die weitere Nutzung auszuwählen 7,11. Darüber hinaus stellt die Vielfalt der Parameter und Ergebnisformate, die von verschiedenen Computing-Frameworks unterstützt werden, eine erhebliche Herausforderung für die vergleichende Analyse dar. Derzeit gibt es jedoch keine Software, die modernste Algorithmen des maschinellen Lernens integriert, um die Stärken und Schwächen verschiedener Modelle zu vergleichen und den Prozess der Parameterauswahl zu vereinfachen, wodurch der Zugriff für die Benutzer erleichtert wird. Daher besteht ein Bedarf an der Entwicklung einer benutzerfreundlichen Software, die die Integration von Transkriptionsdaten mit verschiedenen Algorithmen des maschinellen Lernens erleichtern und gleichzeitig die derzeitigen Einschränkungen bei der Auswahl von Biomarkern und der Interpretation von Modellen angehen kann. Solche Fortschritte werden unsere Fähigkeit, wertvolle Einblicke in aktuelle Forschungsbereiche zu liefern und letztendlich die Patientenergebnisse zu verbessern, erheblich erweitern.
In dieser Studie haben wir ein Open-Source-R-Paket namens Mime12 entwickelt, das eine robuste Leistung über Datensätze hinweg demonstriert und darauf abzielt, die Integration von Transkriptom-Datensätzen mit verschiedenen Algorithmen des maschinellen Lernens zu rationalisieren und dadurch die damit verbundenen Prozesse zu vereinfachen. Um potenzielle Kandidaten aus umfangreichen Transkriptomdaten zu identifizieren und optimale Modelle zu entwickeln, bietet Mime vier Anwendungsfunktionen: ein optimales Prognosemodell, das durch die Integration von 10 Algorithmen des maschinellen Lernens erstellt wird; ein binäres Antwortmodell, das unter Verwendung von sieben Algorithmen des maschinellen Lernens erstellt wurde; Kernfunktionen im Zusammenhang mit der Prognose, die mithilfe von acht Algorithmen des maschinellen Lernens identifiziert wurden; und Visualisierung der Leistung jedes Modells.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
HINWEIS: Die Tutorials für diese Studie werden alle auf der Linux-Plattform mit der R-Software ausgeführt. Die Version des R-Pakets, die in diesem Protokoll verwendet wird, ist in der Materialtabelle aufgeführt. Jeder Schritt, der für die Analyse erforderlich ist, ist unten aufgeführt und das detaillierte Protokoll kann auch auf GitHub (https://github.com/l-magnificence/Mime) abgerufen werden. Benutzer, die auf Probleme mit Mime stoßen, können die GitHub-Problemseite (https://github.com/l-magnificence/Mime/issues) besuchen, um Feedback zu geben.
1. Vorbereitung von Mime und Beispieldatensatz
- Installieren Sie die Entwicklungsversion von Mime von GitHub mit dem folgenden Code:
devtools::install_github("l-magnificence/Mime") - Bereiten Sie mehrere Kohorten vor, die transkriptionelle Sequenzierungsdaten mit Informationen zum Überleben oder klinischen Ansprechen auf die Therapie enthalten. Hier wurden zwei Beispieldaten (Example.cohort und Example.ici) für die Ausführung von Mime verwendet. Example.cohort enthält zwei Gliom-Datensätze. jeder wählte nach dem Zufallsprinzip 100 Proben aus der TCGA- bzw. CGGA-Datenbank aus. Example.ici enthält zufällig ausgewählte 100 Vorbehandlungsproben mit Immun-Checkpoint-Inhibitoren aus der vorherigen Studie12. Alle Beispieldaten können von GitHub (https://github.com/l-magnificence/Mime/tree/main/External%20data) abgerufen werden.
- Fügen Sie mehrere Datensätze hinzu, um Vorhersagemodelle für die Prognose in Example.cohort zu erstellen. Die erste Spalten-ID in jedem Datensatz ist die Stichproben-ID, die zweite und dritte Spalte OS.time und OS in jedem Datensatz stellen die Überlebenszeit und den Status der Patienten dar. Andere Spalten in jedem Datensatz sind das Genexpressionsniveau, skaliert mit log2(x+1). Dataset1 ist das Trainingsdataset, während andere Datasets zur Validierung dienen. Verwenden Sie das folgende Format für Example.cohort:
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 - Schließen Sie mehrere Datasets ein, um Vorhersagemodelle für die Antwort in Example.ici zu erstellen. Die erste Spalten-ID in jedem Datensatz ist die Stichproben-ID, die zweite Spalte Var in jedem Datensatz ist das therapeutische Ansprechen der Patienten (N: Kein Ansprechen; Y: response), und die anderen Spalten in jedem Datensatz sind das Genexpressionsniveau, skaliert mit log2(x+1). Training ist das Trainingsdataset, während andere Datasets zur Validierung dienen. Verwenden Sie das folgende Format für 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
- Fügen Sie mehrere Datensätze hinzu, um Vorhersagemodelle für die Prognose in Example.cohort zu erstellen. Die erste Spalten-ID in jedem Datensatz ist die Stichproben-ID, die zweite und dritte Spalte OS.time und OS in jedem Datensatz stellen die Überlebenszeit und den Status der Patienten dar. Andere Spalten in jedem Datensatz sind das Genexpressionsniveau, skaliert mit log2(x+1). Dataset1 ist das Trainingsdataset, während andere Datasets zur Validierung dienen. Verwenden Sie das folgende Format für Example.cohort:
- Bereiten Sie einen Gensatz vor. Hier wurde ein Gensatz (Genelist), der mit der Wnt/β-Catenin-Signalgebung von MSigDB assoziiert ist, für die Ausführung von Mime verwendet. Verwenden Sie das folgende Format für 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. Erstellung von Vorhersagemodellen für die Prognose
- Verwenden Sie die Funktion ML.Dev.Prog.Sig() in Mime basierend auf Example.cohort und genelist, um Vorhersagemodelle für die Prognose zu erstellen. Verwenden Sie die folgenden Codes:
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 ) - Verwenden Sie die Funktion cindex_dis_all() in Mime, um den C-Index jedes Modells darzustellen und das optimale Modell mit dem höchsten C-Index auszuwählen. Verwenden Sie die folgenden Codes:
cindex_dis_all (res,validate_set = names (list_train_vali_Data )[-1 ],
order =names (list_train_vali_Data ),width = 0.35 ) - Berechnen Sie die Überlebenskurve von Patienten anhand des Risiko-Scores unter Verwendung eines spezifischen Modells aus verschiedenen Datensätzen und verarbeiten Sie dieses in Mime. Verwenden Sie die folgenden Codes:
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 ) - Verwenden Sie als Nächstes die Funktion cal_AUC_ml_res() in Mime, um die zeitabhängige AUC zu berechnen, die von den konstruierten Modellen vorhergesagt wird. Verwenden Sie die folgenden Codes:
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" ) - Verwenden Sie die Funktion auc_dis_all() in Mime, um die von jedem Modell vorhergesagte zeitabhängige AUC darzustellen. Verwenden Sie die folgenden Codes:
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) - Verarbeiten Sie die zeitabhängige ROC-Kurve eines bestimmten Modells zwischen verschiedenen Datensätzen in Mime. Verwenden Sie die folgenden Codes:
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. Erstellung von Vorhersagemodellen für die Reaktion
- Verwenden Sie eine weitere Funktion ML.Dev.Pred.Category.Sig() in Mime, die auf Example.ici und genelist basiert, um Vorhersagemodelle für das therapeutische Ansprechen zu erstellen. Verwenden Sie die folgenden Codes:
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
) - Verwenden Sie die Funktion auc_vis_category_all() in Mime, um die von jedem Modell vorhergesagte AUC darzustellen. Verwenden Sie die folgenden Codes:
auc_vis_category_all(res.ici,dataset = c("training","validation"),
order= c("training","validation")) - Verarbeiten Sie die ROC-Kurve eines bestimmten Modells zwischen verschiedenen Datensätzen in Mime. Verwenden Sie die folgenden Codes:
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. Auswahl der Kernfunktionen
- Verwenden Sie die Funktion ML.Corefeature.Prog.Screen() in Mime basierend auf Example.cohort und genelist, um kritische Gene zu identifizieren. Verwenden Sie die folgenden Codes:
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 ) - Die Ausgangsgene sind eng mit dem Patientenergebnis verbunden, und eine höhere Häufigkeit von Variablen-Screenings bedeutet, dass dies Kernmerkmale sind (die am häufigsten gefilterten Variablen werden als Kernmerkmale definiert). Verwenden Sie die Funktion core_feature_rank() in Mime, um den Rang der Gene darzustellen, die mit verschiedenen Methoden gefiltert wurden. Verwenden Sie die folgenden Codes:
core_feature_rank(res.feature.all, top=20)
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Der Genelist und Example.cohort, bestehend aus einer Trainingskohorte und einer Validierungskohorte, wurden verwendet, um prognostische Modelle zu erstellen, indem 10 Algorithmen des maschinellen Lernens in Mime integriert wurden. Unter den 117 von Mime konstruierten Prognosemodellen hatte das kombinierte Modell StepCox[forward] + plsRcox (SPCOM) den höchsten C-Index unter allen Kohorten, was auf seine hervorragende Leistung hinweist (Abbildung 1A). Die Patienten wurden gemäß dem von SPCOM b...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
In dieser Studie geben wir eine detaillierte Beschreibung, wie das Mime-Paket verwendet werden kann, um robuste und leistungsstarke Vorhersagemodelle für maschinelles Lernen für transkriptomische Daten zu entwickeln. In früheren Studien hatten Forscher oft Schwierigkeiten mit der Auswahl des geeigneten Vorhersagemodellalgorithmus auf der Grundlage der spezifischen Eigenschaften ihrer Sequenzierungsdaten13,14. Darüber hinaus beste...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Es wurden keine Interessenkonflikte angegeben.
Danksagungen
Wir danken allen Beteiligten und Forschern, die an der Datenproduktion beteiligt waren.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Name des Pakets | Version | Software | |
| verlosen | 0.1.10 | R Studio | |
| BART | 2.9.4 | R Studio | |
| Boruta | 8.0.0 | R Studio | |
| Krebsklasse | 1.38.0 | R Studio | |
| Einschaltungszeichen | 6.0-89 | R Studio | |
| ckmeans.1d.dp | 4.3.5 | R Studio | |
| VergleichC | 1.3.2 | R Studio | |
| KomplexeHeatmap | 2.15.1 | R Studio | |
| kompositionen | 2.0-4 | R Studio | |
| data.table | 1.14.0 | R Studio | |
| doParallel | 1.0.16 | R Studio | |
| dplyr | 1.1.3 | R Studio | |
| Nr. E1071 | 1.7-7 | R Studio | |
| Forstplotter | 1.1.0 | R Studio | |
| Zukunft | 1.21.0 | R Studio | |
| Gbm | 2.1.8.1 | R Studio | |
| ggbreak | 0.1.1 | R Studio | |
| ggplot2 | 3.4.1 | R Studio | |
| ggpubr | 0.4.0 | R Studio | |
| GGSCI | 2.9 | R Studio | |
| glmnet | 4.1-2 | R Studio | |
| Gitter | 4.1.3 | R Studio | |
| GitterExtra | 2.3 | R Studio | |
| GSEABase | 1.54.0 | R Studio | |
| GSVA | 1.40.1 | R Studio | |
| Hmisc | 5.1-1 | R Studio | |
| KKNN | 1.3.1 | R Studio | |
| Strickerin | 1.42 | R Studio | |
| magrittr | 2.7.2 | R Studio | |
| Matrix | 1.5-4 | R Studio | |
| meta | 5.2-0 | R Studio | |
| Sonstiges Werkzeuge | 0.6-28 | R Studio | |
| mixOmics (Englisch) | 6.18.1 | R Studio | |
| Mixtools | 1.2.0 | R Studio | |
| pbapply | 1.4-3 | R Studio | |
| plsRcox | 1.7.7 | R Studio | |
| Proc | 1.18.0 | R Studio | |
| R | 4.1.3 | R Studio | |
| randomForestSRC | 4.6-14 | R Studio | |
| READR | 1.4.0 | R Studio | |
| Rezepte | 0.1.17 | R Studio | |
| Umformen2 | 1.4.4 | R Studio | |
| rmarkdown | 2.8 | R Studio | |
| ROCit | 2.1.1 | R Studio | |
| ROCR | 1.0-11 | R Studio | |
| Waage | 1.2.1 | R Studio | |
| Spatz | 1.0.3 | R Studio | |
| stringr | 1.5.0 | R Studio | |
| SuperPC | 1.12 | R Studio | |
| Überleben | 3.3-1 | R Studio | |
| ÜberlebenROC | 1.0.3 | R Studio | |
| ÜberlebensVM | 0.0.5 | R Studio | |
| SVA | 3.40.0 | R Studio | |
| testen, dass | 3.1.0 | R Studio | |
| Tibble | 3.2.1 | R Studio | |
| aufgeräumt | 1.3.0 | R Studio | |
| aufgeräumt | 1.3.1 | R Studio | |
| UpSetR | 1.4.0 | R Studio | |
| Viridis | 0.6.1 | R Studio |
Referenzen
- Reuter, J. A., Spacek, D. V., Snyder, M. P. High-throughput sequencing technologies. Mol Cell. 58 (4), 586-597 (2015).
- Adam, G., et al. Machine learning approaches to drug response prediction: challenges and recent progress. NPJ Precision Oncol. 4, 19(2020).
- Ding, L., et al. Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics. Cell. 173 (2), 305-320.e10 (2018).
- 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).
- Hanahan, D. Hallmarks of Cancer: New Dimensions. Cancer Disc. 12 (1), 31-46 (2022).
- Kourou, K., et al. Machine learning applications in cancer prognosis and prediction. Comp Str Biotechnol J. 13, 8-17 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Hwang, H., et al. Big data and deep learning for RNA biology. Exp Mol Med. 56 (6), 1293-1321 (2024).
- Sharma, A., et al. Advances in AI and machine learning for predictive medicine. J Hum Genet. 69 (10), 487-497 (2024).
- Greener, J. G., et al. A guide to machine learning for biologists. Nat Rev Mol Cell Biol. 23 (1), 40-55 (2022).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Nachdrucke und Genehmigungen
