Name: Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen (Video) | JoVE Journal
Uploaded: 2025-07-22T13:30:00.000+00:00
Duration: 6 min 19 s
Description: Lernen Sie, wie Sie mit dem Mime-Framework prädiktive Modelle für genomische Daten erstellen und evaluieren. Diese Methode ermöglicht die Identifizierung krankheitsassoziierter Gene durch maschinelles Lernen.

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

<ol><li>Reuter, J. A., Spacek, D. V., Snyder, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-throughput+sequencing+technologies%5BTitle%5D)+AND+%22Mol+Cell%22%5BJournal%5D)">High-throughput sequencing technologies.</a> Mol Cell. 58 (4), 586-597 (2015).</li>
<li>Adam, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning+approaches+to+drug+response+prediction%3A+challenges+and+recent+progress%5BTitle%5D)+AND+%22NPJ+Precision+Oncol%22%5BJournal%5D)">Machine learning approaches to drug response prediction: challenges and recent progress.</a> NPJ Precision Oncol. 4, 19(2020).</li>
<li>Ding, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perspective+on+Oncogenic+Processes+at+the+End+of+the+Beginning+of+Cancer+Genomics%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics.</a> Cell. 173 (2), 305-320.e10 (2018).</li>
<li>Liu, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+potassium-chloride+co-transporter+with+altered+genome+architecture+functions+as+a+suppressor+in+glioma%5BTitle%5D)+AND+%22J+Cell+Mol+Med%22%5BJournal%5D)">A potassium-chloride co-transporter with altered genome architecture functions as a suppressor in glioma.</a> J Cell Mol Med. 28 (9), e18352(2024).</li>
<li>Hanahan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hallmarks+of+Cancer%3A+New+Dimensions%5BTitle%5D)+AND+%22Cancer+Disc%22%5BJournal%5D)">Hallmarks of Cancer: New Dimensions.</a> Cancer Disc. 12 (1), 31-46 (2022).</li>
<li>Kourou, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning+applications+in+cancer+prognosis+and+prediction%5BTitle%5D)+AND+%22Comp+Str+Biotechnol+J%22%5BJournal%5D)">Machine learning applications in cancer prognosis and prediction.</a> Comp Str Biotechnol J. 13, 8-17 (2015).</li>
<li>Liu, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning-based+integration+develops+an+immune-derived+lncRNA+signature+for+improving+outcomes+in+colorectal+cancer%5BTitle%5D)+AND+%22Nat+Comm%22%5BJournal%5D)">Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer.</a> Nat Comm. 13 (1), 816(2022).</li>
<li>Sundar, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine-learning+model+derived+gene+signature+predictive+of+paclitaxel+survival+benefit+in+gastric+cancer%3A+results+from+the+randomised+phase+III+SAMIT+trial%5BTitle%5D)+AND+%22Gut%22%5BJournal%5D)">Machine-learning model derived gene signature predictive of paclitaxel survival benefit in gastric cancer: results from the randomised phase III SAMIT trial.</a> Gut. 71 (4), 676-685 (2022).</li>
<li>Zhang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Machine+learning-based+investigation+of+regulated+cell+death+for+predicting+prognosis+and+immunotherapy+response+in+glioma+patients%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Machine learning-based investigation of regulated cell death for predicting prognosis and immunotherapy response in glioma patients.</a> Sci Rep. 14 (1), 4173(2024).</li>
<li>Zhang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pan-cancer+evaluation+of+regulated+cell+death+to+predict+overall+survival+and+immune+checkpoint+inhibitor+response%5BTitle%5D)+AND+%22NPJ+Precision+Oncol%22%5BJournal%5D)">Pan-cancer evaluation of regulated cell death to predict overall survival and immune checkpoint inhibitor response.</a> NPJ Precision Oncol. 8 (1), 77(2024).</li>
<li>Hindocha, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+machine+learning+methods+for+predicting+recurrence+and+death+after+curative-intent+radiotherapy+for+non-small+cell+lung+cancer%3A+Development+and+validation+of+multivariable+clinical+prediction+models%5BTitle%5D)+AND+%22EBioMedicine%22%5BJournal%5D)">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.</a> EBioMedicine. 77, 103911(2022).</li>
<li>Liu, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mime%3A+A+flexible+machine-learning+framework+to+construct+and+visualize+models+for+clinical+characteristics+prediction+and+feature+selection%5BTitle%5D)+AND+%22Comput+Str+Biotechnol+J%22%5BJournal%5D)">Mime: A flexible machine-learning framework to construct and visualize models for clinical characteristics prediction and feature selection.</a> Comput Str Biotechnol J. 23, 2798-2810 (2024).</li>
<li>Hwang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Big+data+and+deep+learning+for+RNA+biology%5BTitle%5D)+AND+%22Exp+Mol+Med%22%5BJournal%5D)">Big data and deep learning for RNA biology.</a> Exp Mol Med. 56 (6), 1293-1321 (2024).</li>
<li>Sharma, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+AI+and+machine+learning+for+predictive+medicine%5BTitle%5D)+AND+%22J+Hum+Genet%22%5BJournal%5D)">Advances in AI and machine learning for predictive medicine.</a> J Hum Genet. 69 (10), 487-497 (2024).</li>
<li>Greener, J. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+guide+to+machine+learning+for+biologists%5BTitle%5D)+AND+%22Nat+Rev+Mol+Cell+Biol%22%5BJournal%5D)">A guide to machine learning for biologists.</a> Nat Rev Mol Cell Biol. 23 (1), 40-55 (2022).</li>
</ol>

<table><tbody><tr><td>Name des Pakets</td><td>Version</td><td>Software</td><td></td></tr><tr><td>verlosen</td><td>0.1.10</td><td>R Studio</td><td></td></tr><tr><td>BART</td><td>2.9.4</td><td>R Studio</td><td></td></tr><tr><td>Boruta</td><td>8.0.0</td><td>R Studio</td><td></td></tr><tr><td>Krebsklasse</td><td>1.38.0</td><td>R Studio</td><td></td></tr><tr><td>Einschaltungszeichen</td><td>6.0-89</td><td>R Studio</td><td></td></tr><tr><td>ckmeans.1d.dp</td><td>4.3.5</td><td>R Studio</td><td></td></tr><tr><td>VergleichC</td><td>1.3.2</td><td>R Studio</td><td></td></tr><tr><td>KomplexeHeatmap</td><td>2.15.1</td><td>R Studio</td><td></td></tr><tr><td>kompositionen</td><td>2.0-4</td><td>R Studio</td><td></td></tr><tr><td>data.table</td><td>1.14.0</td><td>R Studio</td><td></td></tr><tr><td>doParallel</td><td>1.0.16</td><td>R Studio</td><td></td></tr><tr><td>dplyr</td><td>1.1.3</td><td>R Studio</td><td></td></tr><tr><td>Nr. E1071</td><td>1.7-7</td><td>R Studio</td><td></td></tr><tr><td>Forstplotter</td><td>1.1.0</td><td>R Studio</td><td></td></tr><tr><td>Zukunft</td><td>1.21.0</td><td>R Studio</td><td></td></tr><tr><td>Gbm</td><td>2.1.8.1</td><td>R Studio</td><td></td></tr><tr><td>ggbreak</td><td>0.1.1</td><td>R Studio</td><td></td></tr><tr><td>ggplot2</td><td>3.4.1</td><td>R Studio</td><td></td></tr><tr><td>ggpubr</td><td>0.4.0</td><td>R Studio</td><td></td></tr><tr><td>GGSCI</td><td>2.9</td><td>R Studio</td><td></td></tr><tr><td>glmnet</td><td>4.1-2</td><td>R Studio</td><td></td></tr><tr><td>Gitter</td><td>4.1.3</td><td>R Studio</td><td></td></tr><tr><td>GitterExtra</td><td>2.3</td><td>R Studio</td><td></td></tr><tr><td>GSEABase</td><td>1.54.0</td><td>R Studio</td><td></td></tr><tr><td>GSVA</td><td>1.40.1</td><td>R Studio</td><td></td></tr><tr><td>Hmisc</td><td>5.1-1</td><td>R Studio</td><td></td></tr><tr><td>KKNN</td><td>1.3.1</td><td>R Studio</td><td></td></tr><tr><td>Strickerin</td><td>1.42</td><td>R Studio</td><td></td></tr><tr><td>magrittr</td><td>2.7.2</td><td>R Studio</td><td></td></tr><tr><td>Matrix</td><td>1.5-4</td><td>R Studio</td><td></td></tr><tr><td>meta</td><td>5.2-0</td><td>R Studio</td><td></td></tr><tr><td>Sonstiges Werkzeuge</td><td>0.6-28</td><td>R Studio</td><td></td></tr><tr><td>mixOmics (Englisch)</td><td>6.18.1</td><td>R Studio</td><td></td></tr><tr><td>Mixtools</td><td>1.2.0</td><td>R Studio</td><td></td></tr><tr><td>pbapply</td><td>1.4-3</td><td>R Studio</td><td></td></tr><tr><td>plsRcox</td><td>1.7.7</td><td>R Studio</td><td></td></tr><tr><td>Proc</td><td>1.18.0</td><td>R Studio</td><td></td></tr><tr><td>R</td><td>4.1.3</td><td>R Studio</td><td></td></tr><tr><td>randomForestSRC</td><td>4.6-14</td><td>R Studio</td><td></td></tr><tr><td>READR</td><td>1.4.0</td><td>R Studio</td><td></td></tr><tr><td>Rezepte</td><td>0.1.17</td><td>R Studio</td><td></td></tr><tr><td>Umformen2</td><td>1.4.4</td><td>R Studio</td><td></td></tr><tr><td>rmarkdown</td><td>2.8</td><td>R Studio</td><td></td></tr><tr><td>ROCit</td><td>2.1.1</td><td>R Studio</td><td></td></tr><tr><td>ROCR</td><td>1.0-11</td><td>R Studio</td><td></td></tr><tr><td>Waage</td><td>1.2.1</td><td>R Studio</td><td></td></tr><tr><td>Spatz</td><td>1.0.3</td><td>R Studio</td><td></td></tr><tr><td>stringr</td><td>1.5.0</td><td>R Studio</td><td></td></tr><tr><td>SuperPC</td><td>1.12</td><td>R Studio</td><td></td></tr><tr><td>Überleben</td><td>3.3-1</td><td>R Studio</td><td></td></tr><tr><td>ÜberlebenROC</td><td>1.0.3</td><td>R Studio</td><td></td></tr><tr><td>ÜberlebensVM</td><td>0.0.5</td><td>R Studio</td><td></td></tr><tr><td>SVA</td><td>3.40.0</td><td>R Studio</td><td></td></tr><tr><td>testen, dass</td><td>3.1.0</td><td>R Studio</td><td></td></tr><tr><td>Tibble</td><td>3.2.1</td><td>R Studio</td><td></td></tr><tr><td>aufgeräumt</td><td>1.3.0</td><td>R Studio</td><td></td></tr><tr><td>aufgeräumt</td><td>1.3.1</td><td>R Studio</td><td></td></tr><tr><td>UpSetR</td><td>1.4.0</td><td>R Studio</td><td></td></tr><tr><td>Viridis</td><td>0.6.1</td><td>R Studio</td><td></td></tr></tbody></table>

erstellen und visualisieren von modellen mit einem mime-basierten framework für maschinelles lernen

Constructing and Visualizing Models using Mime-based Machine-learning Framework

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...

Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen

The widespread high-throughput sequencing technology has significantly enhanced our understanding of biology and cancer heterogeneity. Machine learning ...

constructing-visualizing-models-using-mime-based-machine-learning

Research

Forschung

JoVE Journal

Engineering

Ingenieurwesen

Computer-generierte Stimuli mit dem Jacky Drachen als Modell.

Computer-Generated-Tiermodell Stimuli

Wir beschreiben eine neuartige Methodik zur Schaffung naturalistischen 3-D Objekte und Objektgruppen Kategorien mit genau definierten Funktion Variationen. Wir verwenden Simulationen der biologischen Prozesse der Morphogenese und Phylogenese zu neuen, naturalistischen virtuellen 3-D-Objekte und Objekt-Rubriken, die dann als visuelle Bilder oder haptische Objekte gerendert werden können.

Erstellen von Objekten und Objekt Kategorien für Studium Wahrnehmung und Perceptual Learning

Wir beschreiben eine neuartige experimentelle Technik, die nennen wir Minimal Invasive Muskel einbetten (MIME), basiert auf dem Beweis Skelettmuskelgewebe lebensfähige myogen Zellen enthält, die Spender-Zell-vermittelten Myogenesis bei implantiert erleichtern können Ein Host-Muskel.

Minimal-Invasive Muskel einbetten (MIME) - eine neuartige experimentelle Technik, Spender-Zell-vermittelten Myogenesis zu erleichtern

Dieses Protokoll beschreibt eine neuartige Methode um ein räumlich detaillierte finite-Elemente-Modell der intrazellulären Architektur der Herzzellen von Elektronenmikroskopie und konfokalen Mikroskopie-Bilder zu erstellen. Die Kraft dieses räumlich detaillierte Modell zeigt anhand von Fallbeispielen in Kalzium Signal- und Bioenergetik.

Erstellen eines strukturell realistische Finite-Elemente geometrischen Modells von einer Cardiomyocyte zur Untersuchung der Rolle von zellulären Architektur in Cardiomyocyte Systembiologie

Eine Schlüsselkompetenz in der biomolekularen Modellierung ist die Darstellung und Annotation aktiver Zentren in Proteinen. Diese Technik wird mit vier beliebten kostenlosen Programmen für die makromolekulare Visualisierung demonstriert: iCn3D, Jmol, PyMOL und UCSF ChimeraX.

Modellierung einer Enzym-Aktiv-Site mit Molekularer Visualisierung Freeware

Dieser Artikel erklärt, wie man simulationsüberwachtes maschinelles Lernen zur Analyse der Mitochondrienmorphologie in fluoreszenzmikroskopischen Bildern fixierter Zellen einsetzt.

Analyse der mitochondrialen Morphologie durch simuliertes überwachtes Lernen

Dieses Papier zeigt ein Protokoll zur Neufassung der Versuchs vereinfachte Modell in Grenzen konservative und aggressive Grenzen auf einem beliebigen neuen Physik-Modell. Öffentlich zugängliche LHC experimentellen Ergebnisse können auf diese Weise in Grenzen auf fast jedem neuen Physik-Modell mit einem Supersymmetrie-Signatur wie neu gefasst werden.

Einstellung der Grenzen auf Supersymmetrie mit vereinfachten Modelle

Ein detailliertes Verfahren zur Oberflächendotierung von Silizium-Grenzflächen wird bereitgestellt. Die ultraflache Oberflächendotierung wird durch die Verwendung von phosphorhaltigen Monoschichten und das Rapid Annealing-Verfahren demonstriert. Das Verfahren kann sowohl zur Dotierung von makroskopischen Flächenoberflächen als auch von Nanostrukturen eingesetzt werden.

Monolayer Kontakt Dotierung von Silizium-Oberflächen und Nanodrähte Mit Phosphororganische Verbindungen

Wir präsentieren ein Protokoll für die Verwendung eines piezoelektrisch unterstützten Tribometers und eines optischen Profilometers, um die Abhängigkeit von Ultraschallverschleiß und Reibungsreduzierung von linearer Geschwindigkeit, Kontaktdruck und Oberflächeneigenschaften zu untersuchen.

Experimente an Ultraschall-Schmierung Verwenden eines piezoelektrisch unterstützten Tribometer und optische Profilometer

Die Technik der diffusiven Gradienten in dünnen Filmen (DGT) zur Speziation von Plutonium Studien vorgeschlagen. Dieses Protokoll beschreibt Diffusionsexperimente Sondieren des Verhaltens von Pu (IV) und Pu (V) in Gegenwart von organischen Stoffen. Dgts in einer Karstquelle im Einsatz ermöglichen Einschätzung der Bioverfügbarkeit von Pu.

Speziation und Bioverfügbarkeit Messungen der Umwelt Plutonium Mit Diffusion in dünnen Schichten

Lernen Sie, wie Sie mit dem Mime-Framework prädiktive Modelle für genomische Daten erstellen und evaluieren. Diese Methode ermöglicht die Identifizierung krankheitsassoziierter Gene durch maschinelles Lernen.

Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen

Weitere Videos entdecken