Name: Auswahl mehrerer Biomarker Teilmengen mit ebenso wirksame binäre Klassifikation Aufführungen (Video) | JoVE Journal
Uploaded: 2018-10-11T13:00:00.000+00:00
Duration: 7 min 35 s
Description: Erfahren Sie die Auswahl mehrerer Biomarker-Teilmengen mit binärer Klassifikation. Diese benutzerfreundliche Software ermöglicht Forschern die effiziente Analyse komplexer Datensätze in der biomedizinischen Detektion.

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

Diese Arbeit wurde durch die strategische Priorität Forschungsprogramm von der chinesischen Akademie der Wissenschaften (XDB13040400) und die Start-Zuschuss von Jilin-Universität unterstützt. Anonymen Gutachtern und biomedizinische Tests Benutzer wurden für ihre konstruktive Kritik zur Verbesserung der Benutzerfreundlichkeit und Funktionalität des kSolutionVis geschätzt.

Wir haben keine Interessenkonflikte im Zusammenhang mit diesem Bericht.

Diese Studie bietet eine einfach zu befolgende Multi-Lösung Biomarker Erkennung und Charakterisierung Protokoll für eine benutzerspezifische binäre Klassifikation Dataset. Die Software setzt Schwerpunkt auf Benutzerfreundlichkeit und flexible Import-/Export-Schnittstellen für verschiedene Datei-Formate, so dass biomedizinische Forscher, ihre Dataset einfach über die Benutzeroberfläche der Software zu untersuchen. Dieser Studie betont auch, dass mehr als eine Lösung mit ähnlich effektiv Modellierung Aufführungen, zuvor vo...

Binäre Klassifikation, einer der am häufigsten untersuchte und anspruchsvolle Data-mining-Probleme im biomedizinischen Bereich wird verwendet, um ein Klassifizierungsmodell ausgebildet auf zwei Gruppen von Proben mit der genauesten Diskriminierung Power1, bauen 2 , 3 , 4 , 5 , 6 , 7. big Data im biomedizinischen Bereich generiert hat jedoch die inhärente "große kleine PN" Paradigma, mit der Anzahl der Funktionen in der Regel viel größer als die Anzahl der Proben6,8,9. Biomediziner müssen daher die Funktion Dimension vor Nutzung der Klassifizierungsalgorithmen zur Vermeidung von overfitting Problem8,9zu reduzieren. Diagnose-Biomarker sind definiert als eine Teilmenge der erkannten Merkmale von gesunden Proben10,11Patienten einer bestimmten Krankheit zu trennen. Patienten sind in der Regel definiert als die positive Proben und die gesunden Kontrollpersonen sind definiert als der negative Proben12.
Jüngste Studien haben vorgeschlagen, daß es mehr als eine Lösung mit identisch oder ähnlich effektiv Einstufung Leistungen für eine biomedizinische Dataset-5. Fast alle Feature-Auswahl-Algorithmen sind deterministische Algorithmen, produzieren nur eine Lösung für das gleiche Dataset. Genetische Algorithmen können gleichzeitig mehrere Lösungen mit ähnlichen Leistungen erzeugen, aber sie noch versuchen, eine Lösung mit der besten Fitness-Funktion als die Ausgabe für einen bestimmten Datensatz13,14auswählen.
Feature-Auswahl-Algorithmen können etwa als Filter oder Wrapper12gruppiert werden. Ein Filter-Algorithmus wählt Top -k Funktionen geordnet nach ihrer einzelnen signifikante Assoziation mit der binären Klassenbezeichner basiert auf der Annahme, die Funktionen sind unabhängig von einander15,16,17 . Obwohl diese Annahme nicht für fast alle realen Datasets wahr hält, führt die heuristische Filterregel in vielen Fällen zum Beispiel die mRMR (minimale Redundanz und maximale Relevanz) Algorithmus, der Wilcoxon Test basierte Funktion Filtern (WRank) Algorithmus und die ROC (Empfänger Regelkennlinie) Handlung basiert (ROCRank)-Filterung Algorithmus. mRMR, ist eine effiziente Filter-Algorithmus, weil es nähert sich der kombinatorischen Schätzung-Problem mit einer Reihe von viel kleineren Problemen, im Vergleich zu der maximal-Abhängigkeit Feature Auswahlalgorithmus, von denen jede nur zwei Variablen beinhaltet, und Daher nutzt paarweise Joint Wahrscheinlichkeiten sind robuster18,19. Jedoch kann mRMR die Nützlichkeit der einige Funktionen unterschätzen, da es nicht die Interaktionen zwischen Objekten misst die Relevanz steigern können, und so vermisst einige Merkmalskombinationen, die einzeln nutzlos, aber eignen sich nur in Kombination. Der WRank Algorithmus berechnet eine nicht-parametrische Punktzahl wie diskriminierende eine Funktion zwischen zwei Klassen von Proben und ist bekannt für seine Robustheit für Ausreißer20,21. Darüber hinaus wertet der ROCRank-Algorithmus, wie bedeutend die Fläche unter der ROC-Kurve (AUC) eines bestimmten Merkmals für die untersuchten binäre Klassifikation Leistung22,23ist.
Auf der anderen Seite ein Wrapper wertet der vordefinierten Sichter Leistung einer gegebenen Funktion Teilmenge, iterativ durch heuristische Regel erzeugt und schafft die Funktion Teilmenge mit der besten Performance Messung24. Ein Wrapper in der Regel einen Filter in die Klassifizierung Leistung übertrifft aber läuft langsamer25. Beispielsweise verwendet die regularisiert Random Forest (RRF)26,27 Algorithmus gierige in der Regel durch die Auswertung der Features auf eine Teilmenge der Trainingsdaten an jedem zufälligen Wald Knoten, deren Funktion Bedeutung Partituren von der Gini-Index beurteilt werden . Die Wahl eines neuen Features werden benachteiligt, wenn die Informationsgewinnung, die der ausgewählten Features nicht bessert. Darüber hinaus die Vorhersage-Analyse für Microarrays (PAM)28,29 -Algorithmus auch eine Wrapper-Algorithmus berechnet einen Schwerpunkt für jeden der die Klassenbezeichner und wählt dann Eigenschaften gen Zentroide gegenüber der gesamten schrumpfen Klasse-Schwerpunkt. PAM ist robust für vorgelagerten Funktionen.
Mehrere Lösungen mit die höchste Klassifizierung Leistung können für alle angegebenen Dataset erforderlich sein. Erstens das Optimierungsziel eines deterministischen Algorithmus zeichnet sich durch eine mathematische Formel, z.B., minimalen Fehler Rate30, das ist nicht unbedingt ideal für biologische Proben. Zweitens kann ein Dataset mehrere, deutlich verschiedene Lösungen mit ähnlichen wirksam oder sogar identische Leistungen haben. Fast alle vorhandenen Feature Auswahl Algorithmen werden eine der folgenden Lösungen als die Ausgabe31zufällig auswählen.
Diese Studie wird ein Informatik analytische Protokoll für die Erzeugung von mehreren Feature Auswahl Lösungen mit ähnlichen Vorstellungen für jede gegebene binäre Klassifikation Dataset einführen. Wenn man bedenkt, dass die meisten Biomediziner mit informatischen Techniken oder Computer-Codierung nicht auskennen, wurde eine benutzerfreundliche grafische Benutzeroberfläche (GUI) entwickelt, um die schnelle Analyse von biomedizinischen binäre Klassifikation Datasets zu erleichtern. Das analytische Protokoll besteht aus Daten laden und zusammenfassen, tuning-Parameter Pipeline Ausführung und Ergebnis-Interpretationen. Mit einem einfachen Klick kann der Forscher die Biomarker Teilmengen und Publikationsqualität Visualisierung Grundstücke zu generieren. Das Protokoll wurde mit der Transkriptom zwei binäre Klassifikation Datensätze der akute lymphoblastische Leukämie (ALL), d. h., ALL1 und ALL212getestet. Die Datensätze der ALL1 und ALL2 wurden vom Broad Institute Genom Analyse Rechenzentrum, erhältlich bei http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi heruntergeladen. ALL1 enthält 128 Samples mit 12.625 Features. Von diesen Proben sind 95 B-Zelle alle und 33 sind T-Zell ALL. ALL2 umfasst 100 Proben mit 12.625 Funktionen sowie. Von diesen Proben gibt es 65 Patienten, die Rückfall erlitten und 35 Patienten, die nicht der Fall war. ALL1 war eine einfache binäre Klassifikation Dataset mit einer minimalen Genauigkeit von vier Filter und vier Wrapper, 96,7 % und 6 der 8 Feature Auswahl Algorithmen erreichen 100 %12. Während ALL2 ein schwieriger Dataset mit den oben genannten 8 Feature Auswahl Algorithmen nicht besser als 83,7 % Genauigkeit12zu erreichen war. Diese beste Genauigkeit wurde mit 56 Funktionen erkannt durch den Wrapper-Algorithmus, Korrelation basierende Funktion Auswahl (CFS) erreicht.

<table><tbody><tr><td>Hardware</td><td></td><td></td><td></td></tr><tr><td>laptop</td><td>Lenovo</td><td>X1 Carbon</td><td>Jeder Computer funktioniert. Empfohlene Mindestkonfiguration: 1 GB zusätzlicher Festplattenspeicher, 1 GB Arbeitsspeicher, 2,0 MHz CPU</td></tr><<tr><td>strong>Name</td><td>Company<</td><td>strong>Katalognummer</td><td>Comments</td></tr><tr><td>Software</td><td></td><td></td><td></td></tr><tr><td>Python 3.0</td><td>WingWare</td><td>Wing Personal</td><td>Alle Python-Programmier- und Ausführungsumgebungen unterstützen Python Version 3.0 oder höher</td></tr></tbody></table>

auswahl mehrerer biomarker teilmengen mit ebenso wirksame binäre klassifikation aufführungen

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Biomarker-Erkennung ist eines der wichtigeren biomedizinische Fragen für High-Throughput "Omics" Forscher, und fast alle bestehenden Biomarker Erkennungsalgorithmen erzeugen ein Biomarker Teilmenge mit optimierter Performance-Messung für einen bestimmten Datensatz . Eine kürzlich durchgeführte Studie zeigte jedoch, die Existenz von mehreren Biomarker Teilmengen mit ähnlich wirksam oder sogar identische Klassifizierung Aufführungen. Dieses Protokoll stellt eine einfache und unkomplizierte Methode zur Erkennung von Biomarker-Teilmengen mit binären Klassifikation Aufführungen, besser als eine Benutzer-definierten Grenzwert. Das Protokoll besteht aus Datenaufbereitung und laden, Baseline Informationen Verdichtung, tuning-Parameter, Biomarker Screening, Ergebnis-Visualisierung und Interpretation, Biomarker gen Anmerkungen und Ergebnis und Visualisierung Ausfuhr an Publikationsqualität. Die vorgeschlagenen Biomarker screening-Strategie ist intuitiv und zeigt eine allgemeine Regel für Biomarker Erkennungsalgorithmen zu entwickeln. Eine benutzerfreundliche grafische Benutzeroberfläche (GUI) wurde entwickelt, mit Hilfe der Programmiersprache Python, Biomediziner direkten Zugriff auf ihre Ergebnisse zu ermöglichen. Den Quellcode und Handbuch des kSolutionVis können von http://www.healthinformaticslab.org/supp/resources.php heruntergeladen werden.

Das Ziel dieses Workflows (Abbildung 6) ist, mehrere Biomarker Teilmengen mit ähnlichen Effizienzen für eine binäre Klassifikation Dataset zu erkennen. Der gesamte Prozess wird durch zwei Beispiel-Datasets ALL1 und ALL2 extrahiert aus einem kürzlich erschienenen Biomarker-Erkennung12,48Studie veranschaulicht. Ein Benutzer kann kSolutionVis installieren, indem Sie die Anweisungen in den ergänzenden Mat...

Vorhandene Algorithmen erzeugen eine Lösung für ein Biomarker-Erkennung-Dataset. Dieses Protokoll zeigt die Existenz von mehreren ähnlich effektive Lösungen und stellt eine benutzerfreundliche Software zur biomedizinische Forscher untersuchen ihre Datensätze für die vorgeschlagene Herausforderung helfen. Informatiker können auch dieses Feature in ihren Biomarker Erkennungsalgorithmen vorsehen.

Auswahl mehrerer Biomarker Teilmengen mit ebenso wirksame binäre Klassifikation Aufführungen

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

Diese Maßnahme kann helfen, wichtige Fragen im bereichder biomedizinischen Detektion zur Generierung mehrerer Lösungen zu beantworten. Der Hauptvorteil dieser Technik ist, dass sie eine benutzerfreundliche grafische Benutzeroberfläche zur Unterstützung biomedizinischer Forscher bei der Erkennung mehrerer Funktionsabsenkungen bietet. Beginnen Sie mit dem Laden der Datenmatrix und Klassenbeschriftungen in die Software.Klicken Sie auf Datenmatrix laden, um die vom Benutzer angegebene Datenmetrikdatei auszuwählen, und klassenbeschriftungen laden, um die entsprechende Klassenbeschriftungsdatei auszuwählen. Um die Klassenbeschriftungen in der Anzahl der top-ranked Features zu bestimmen, wählen Sie die Namen der positiven und negativen Klassen in den entsprechenden Dropdown-Feldern aus, und wählen Sie 10 als Anzahl der top-ranked Features im oberen X-Dropdown-Feld für einen umfassenden Bildschirm der Feature-Teilmenge aus. Um die Systemparameter für unterschiedliche Leistungen zu optimieren, wählen Sie die Genauigkeit der Leistungsmessung als Dropdown-Feld für die Genauigkeit sumcierte Genauigkeit für den ausgewählten extremen Lernmaschinenklassifler aus.Wählen Sie dann im Eingabefeld Lei

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

Research

Forschung

JoVE Journal

Cancer Research

Krebsforschung

Multivariate Techniken einschließlich Hauptkomponentenanalyse (PCA) verwendet worden, um Signatur-Muster der regionalen Umstellung der funktionalen Gehirn Bilder zu identifizieren. Wir haben einen Algorithmus, um reproduzierbare Netzwerk Biomarker für die Diagnose von neurodegenerativen Erkrankungen, Beurteilung des Fortschreitens der Krankheit, und objektive Bewertung der Auswirkungen der Behandlung in Patientengruppen identifizieren entwickelt.

Identification of Disease-bezogene räumliche Kovarianz Patterns mit Neuroimaging Daten

Diese Methode produziert Entscheidungsbäume, die auf Bevölkerungsgruppen abzielen, die anfälliger für leichte kognitive Beeinträchtigungen sind und für ein kostengünstiges selektives Screening der Krankheit nützlich sind.

Ein machine Learning-Ansatz zur Entwicklung eines effizienten selektiven Screenings leichter kognitiver Beeinträchtigungen

LEfSe (LDA Effect Size) ist ein Werkzeug für das hochdimensionale Biomarker-Mining zur Identifizierung genomischer Merkmale (wie Gene, Signalwege und Taxonomien), die zwei oder mehr Gruppen in Mikrobiomdaten signifikant charakterisieren.

Unterstützte Auswahl von Biomarkern durch lineare Diskriminanzanalyse-Effektgröße (LEfSe) in Mikrobiomdaten

Hier stellen wir ein Protokoll zur Umwandlung von transkriptomischen Daten in eine mqTrans-Ansicht vor, das die Identifizierung dunkler Biomarker ermöglicht. Während diese Biomarker in konventionellen transkriptomischen Analysen nicht differentiell exprimiert werden, zeigen sie in der mqTrans-Ansicht eine differentielle Expression. Der Ansatz dient als komplementäre Technik zu herkömmlichen Methoden und enthüllt bisher übersehene Biomarker.

Generierung der Transkriptionsregulationsansicht von transkriptomischen Merkmalen für die Vorhersageaufgabe und die Detektion dunkler Biomarker auf kleinen Datensätzen

Hier präsentieren wir Ihnen adressierbare Tröpfchen Microarrays (ADM-Dateien), ein Tröpfchen Array-basierte Methode absolute Protein Fülle in einzelnen Zellen zu bestimmen. Wir zeigen die Fähigkeit der ADM-Dateien, die Heterogenität im Ausdruck der Tumorsuppressor Protein p53 in einem menschlichen Krebs-Zell-Linie zu charakterisieren.

Zählen Proteine in einzelne Zellen mit adressierbaren Tröpfchen Microarrays

Laparoskopische Pancreatoduodenctomy (LPD) kann bieten Vorteile gegenüber offenen pankreatoduodenektomie, einschließlich postoperative frühmobilisation, weniger verzögerte Magenentleerung und einem kürzeren Krankenhausaufenthalt. LPD ist jedoch technisch anspruchsvoll und nicht gut standardisiert, insbesondere im Hinblick auf die Bauchspeicheldrüse Anastomose. Wir beschreiben eine standardisierte Technik für die Bauchspeicheldrüse Anastomose während LPD: Blumgart Pancreaticojejunostomy geändert.

Laparoskopische Pankreatoduodenektomie mit modifizierten Blumgart Pancreaticojejunostomy

Hier verwenden wir Biolumineszenz, Röntgen und Positronen-Emissions-Tomographie/berechnet Tomographie Bildgebung wie hemmende mTOR-Aktivität zu studieren Auswirkungen des Knochenmarks pfropfte Myelom Tumoren in einem Xenograft-Modell. Dies ermöglicht eine physiologisch relevante, nicht-invasive und multimodalen Analysen der Anti-Myelom-Wirkung von Therapien gezielt Knochenmark pfropfte Myelom Tumoren in Vivo.

Multimodale Biolumineszenz und Positronic-Emissions-Tomographie/Computational Tomographie Bildgebung des multiplen Myeloms Knochenmark Xenotransplantate NOG Mäuse

Hier ist ein Protokoll für Medium-High Throughput Analyse von Protein-Phosphorylierung-Veranstaltungen auf der zellulären Ebene präsentiert. Phospho-Durchflusszytometrie ist ein leistungsfähiger Ansatz charakterisieren Signalisierung Aberrationen, identifizieren und Biomarker zu validieren und Pharmakodynamik zu beurteilen.

Phospho-Durchflusszytometrie mit fluoreszierenden Zelle Barcoding für einzelne Zelle Signalisierung Analyse und Entdeckung von Biomarkern

Dieses Manuskript beschreibt die Synthese von einem einwandigen Kohlenstoff-Nanoröhrchen (SWCNT)-konjugiert MALAT1 antisense Gapmer DNA-Oligonukleotid (SWCNT-Anti-MALAT1), welche die zuverlässige Zustellung der SWCNT und potente Wirkung des zeigt Anti-MALAT1 in vitro und in vivo. Methoden zur Synthese, Modifikation, Konjugation und Injektion von SWCNT-Anti-MALAT1 werden beschrieben.

Unterdrückung des multiplen Myeloms Zellwachstum In Vivo durch Single-Wall Carbon Nanotube (SWCNT)-MALAT1 Antisense Oligos geliefert

Hier stellen wir ein Protokoll vor, um den Biomarker und den Überlebensprediger von Brustkrebs zu erforschen, das auf der umfassenden Analyse von gebündelten klinischen Datensätzen basiert, die aus einer Vielzahl von öffentlich zugänglichen Datenbanken abgeleitet werden, und dabei die Strategie des Ausdrucks, der Korrelation und Überlebensanalyse Schritt für Schritt.

Die Durchführung von Datenkinining und die integrative Analyse von Biomarker bei Brustkrebs mit mehreren, öffentlich zugänglichen Datenbanken

Erfahren Sie die Auswahl mehrerer Biomarker-Teilmengen mit binärer Klassifikation. Diese benutzerfreundliche Software ermöglicht Forschern die effiziente Analyse komplexer Datensätze in der biomedizinischen Detektion.

Auswahl mehrerer Biomarker Teilmengen mit ebenso wirksame binäre Klassifikation Aufführungen

Weitere Videos entdecken