הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

בנייה והדמיה של מודלים באמצעות מסגרת למידת מכונה מבוססת MIME

3.8K צפיות

⸱

DOI:

10.3791/68553

⸱

22 ביולי 2025

 ,  ,  ,  , 
1Department of Neurosurgery, Xiangya Hospital, Central South University, 2National Clinical Research Center for Geriatric Disorders, Xiangya Hospital, Central South University, 3Hunan International Scientific and Technological Cooperation Base of Brain Tumor Research, Xiangya Hospital, Central South University, 4Furong Laboratory

* These authors contributed equally

במאמר זה

סיכום

Mime היא מסגרת חישובית גמישה לבניית מודל אינטגרציה מבוסס למידת מכונה עם ביצועים אלגנטיים. כאן, אנו מספקים נוהל מפורט שלב אחר שלב לפיתוח מודלים חיזויים עם דיוק גבוה, תוך מינוף מערכי נתונים מורכבים לזיהוי גנים קריטיים הקשורים להתקדמות המחלה, תוצאות המטופלים והתגובה הטיפולית.

תקציר

טכנולוגיית הריצוף הנפוצה בתפוקה גבוהה שיפרה משמעותית את הבנתנו את הביולוגיה וההטרוגניות של הסרטן. אלגוריתמים של למידת מכונה על נתוני שעתוק הפכו חיוניים לחיזוי פרוגנוזה של מטופלים ותגובות קליניות. למרות ההתקדמות באלגוריתמים של למידת מכונה, פלטפורמת קוד פתוח המשלבת את האלגוריתמים המתוחכמים ביותר של למידת מכונה על נתוני תמלול נותרה נעדרת. כדי להתמודד עם הפער הזה, פיתחנו את Mime, מסגרת רב-תכליתית של למידת מכונה כדי לשפר את הבנייה וההדמיה של מודלים חיזויים למאפיינים קליניים וחתימות גנים. על ידי שילוב מערכי נתונים מגוונים ושימוש בטכניקות בחירת התכונות המתקדמות ביותר, Mime מתמודד עם אתגרים קריטיים בתחזיות קליניות. הוא מספק שלוש פונקציות עיקריות, כולל בניית מודל, בחירת תכונות והדמיית נתונים. בניית המודל מקיפה מגוון של אלגוריתמים של למידת מכונה, כולל אך לא רק עצי החלטה, מכונות וקטוריות תומכות ושיטות אנסמבל, מה שמאפשר לחוקרים לבחור את הגישה המתאימה ביותר לניתוח הספציפי שלהם. בחירת תכונות משתמשת באלגוריתמים מתקדמים כגון ביטול תכונות רקורסיבי ורגרסיה LASSO כדי לייעל את מערך הנתונים ולהתמקד בתכונות האינפורמטיביות ביותר. המסגרת תומכת בכוונון פרמטרים הניתנים להתאמה אישית באמצעות שיטות אימות צולב, אופטימיזציה של ביצועי המודל תוך הפחתת סיכוני התאמת יתר. כלי הדמיה המשולבים ב-Mime מאפשרים לחוקרים לפרש את תוצאות המודל ביעילות, ומספקים ייצוגים גרפיים של חשיבות תכונה ומדדי ביצועים חזויים. בכתב יד זה, אנו מספקים הדרכה מפורטת על ההליכים המדורגים של מסגרת למידת מכונה רב-תכליתית זו.

מבוא

האימוץ הנרחב של טכנולוגיות ריצוף בתפוקה גבוהה השפיע באופן משמעותי על הבנתנו את הביולוגיה וההטרוגניות של הסרטן1. התקדמות פורצת דרך זו בביוטכנולוגיה לא רק העמיקה את הידע המדעי שלנו אלא גם חוללה מהפכה בתחום המחקר הרפואי. על ידי מתן אפשרות למדענים לרצף כמויות גדולות של חומר גנטי במהירות ובדייקנות, ריצוף בתפוקה גבוהה האיץ את גילוי הגנים, המוטציות והמסלולים הביולוגיים החדשים. גוף הולך וגדל של מחקרים תיאר חתימות מולקולריות ספציפיות הקשורות להתקדמות המחלה, פרוגנוזה של המטופל והיענות טיפולית מנתוני ריצוף 2,3,4. חתימות ספציפיות אלה מציעות נוף מקיף של הבנת רשת הרגולציה התעתיקית העומדת בבסיס הביולוגיה של הגידול, כולל מקור הגידול, התמיינות, הגירה ועמידות לטיפול5. מאפיינים אלה הם לעתים קרובות מגוונים ומגוונים, ומקיפים פנים מרובות ולא מוגבלים לתערוכה אחת. זה מקשה על סינון וזיהוי גנים ספציפיים הקשורים מאוד למחלה. לפיכך, יש צורך דחוף באסטרטגיות חישוביות הגיוניות לסינון גנים חיוניים המעורבים במחלות.

למידת מכונה (ML) היא ענף של בינה מלאכותית המתמקד בבניית מערכות שיכולות ללמוד ממערכי נתונים מורכבים, לזהות דפוסים ולפתח מודל חיזוי עם דיוק גבוה כדי לספק התייחסות לקבלת החלטות6. לאחרונה, הפיתוח של מודלים מבוססי למידת מכונה מנתוני טרנסקריפטום לחיזוי תוצאות חולים או אבחון מחלות התקדם במהירות במגוון מחלות 7,8,9,10. הביצועים של מודלים אלה משתנים לרוב בשל מערכי הנתונים והאלגוריתמים השונים המשמשים לאימון. בחירת המודל האופטימלי לניסויים וליישומים קליניים עוקבים התגלתה כאתגר דחוף. גישה בת קיימא כרוכה בהשוואת הביצועים של דגמים שונים ובחירת המבטיח ביותר לשימוש נוסף 7,11. יתר על כן, הגיוון בפרמטרים ובפורמטים של תוצאות הנתמכים במסגרות מחשוב שונות מציב אתגרים משמעותיים לניתוח השוואתי. עם זאת, אין כיום תוכנה המשלבת אלגוריתמים מתקדמים של למידת מכונה כדי להשוות את החוזקות והחולשות של מודלים שונים ולפשט את תהליך בחירת הפרמטרים, מה שמקל על המשתמשים לגשת אליו. לפיכך, יש צורך בפיתוח תוכנה ידידותית למשתמש שיכולה להקל על שילוב נתוני תמלול עם אלגוריתמים מגוונים של למידת מכונה, תוך התייחסות למגבלות הנוכחיות של בחירת סמנים ביולוגיים ופרשנות מודלים. התקדמות כזו תרחיב מאוד את יכולתנו לספק תובנות חשובות בתחומי המחקר הנוכחיים ובסופו של דבר לשפר את תוצאות המטופלים.

במחקר זה, פיתחנו חבילת R בקוד פתוח בשם Mime12, המדגימה ביצועים חזקים על פני מערכי נתונים ומטרתה לייעל את האינטגרציה של מערכי נתונים של טרנסקריפטום עם אלגוריתמים שונים של למידת מכונה, ובכך לפשט את התהליכים הנלווים. כדי לזהות מועמדים פוטנציאליים מנתוני טרנסקריפטום בקנה מידה גדול ולפתח מודלים אופטימליים, Mime מציעה ארבע פונקציות יישום: מודל פרוגנוזה אופטימלי שנבנה על ידי שילוב 10 אלגוריתמים של למידת מכונה; מודל תגובה בינארי שנבנה באמצעות שבעה אלגוריתמים של למידת מכונה; תכונות ליבה הקשורות לפרוגנוזה שזוהו באמצעות שמונה אלגוריתמים של למידת מכונה; והדמיה של הביצועים של כל דגם.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

הערה: המדריכים למחקר זה רצים כולם על פלטפורמת לינוקס באמצעות תוכנת R. הגרסה של חבילת R המשמשת בפרוטוקול זה מופיעה בטבלת החומרים. כל שלב הדרוש לניתוח מוצג להלן וניתן לרכוש פרוטוקול מפורט גם ב-GitHub (https://github.com/l-magnificence/Mime). משתמשים שנתקלים בבעיות ב- Mime יכולים לבקר בדף הבעיה של GitHub (https://github.com/l-magnificence/Mime/issues) כדי לספק משוב.

1. הכנת מערך נתונים של MIME ודוגמה

  1. התקן את גרסת הפיתוח של Mime מ-GitHub באמצעות הקוד שלהלן:
    devtools::install_github("l-magnificence/Mime")
  2. הכן מספר קבוצות המכילות נתוני ריצוף שעתוק עם מידע על הישרדות או תגובה קלינית לטיפול. כאן, שני נתונים לדוגמה (Example.cohort ו-Example.ici) שימשו להפעלת Mime. Example.cohort מכיל שני מערכי נתונים של גליומה; כל אחד מהם בחר באקראי 100 דגימות ממסד הנתונים TCGA ו-CGGA, בהתאמה. בעוד ש-Example.ici מכיל 100 דגימות טרום טיפול שנבחרו באופן אקראי עם מעכבי מחסום חיסוני ממחקר קודם12. ניתן להשיג את כל הנתונים לדוגמה מ- GitHub (https://github.com/l-magnificence/Mime/tree/main/External%20data)
    1. כלול מערכי נתונים מרובים לבניית מודלים חיזויים לפרוגנוזה ב-Example.cohort. מזהה העמודה הראשונה בכל מערך נתונים הוא מזהה המדגם, העמודות השנייה והשלישית OS.time ו-OS בכל מערך נתונים הן זמן ההישרדות והסטטוס של המטופלים; עמודות אחרות בכל מערך נתונים הן רמת ביטוי הגנים בקנה מידה עם log2(X+1). Dataset1 הוא מערך הנתונים של האימון, בעוד שמערכי נתונים אחרים מיועדים לאימות. השתמש בתבנית הבאה עבור 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
    2. כלול מערכי נתונים מרובים כדי לבנות מודלים חיזויים לתגובה ב-Example.ici. מזהה העמודה הראשונה בכל מערך נתונים הוא מזהה המדגם, העמודה השנייה Var בכל מערך נתונים היא התגובה הטיפולית של המטופלים (N: אין תגובה; Y: תגובה), והעמודות האחרות בכל מערך נתונים הן רמת ביטוי הגנים בקנה מידה עם log2(x+1). אימון הוא מערך הנתונים של האימון, בעוד שמערכי נתונים אחרים מיועדים לאימות. השתמש בתבנית הבאה עבור 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
  3. הכן סט גנים. כאן, קבוצת גנים (גנטית) הקשורה לאיתות Wnt/β-catenin מ-MSigDB שימשה להפעלת MIME. השתמש בתבנית הבאה עבור 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. בניית מודלים חיזויים לפרוגנוזה

  1. השתמש בפונקציה ML.Dev.Prog.Sig() ב-Mime המבוססת על Example.cohort ו-genelist כדי לבנות מודלים לחיזוי פרוגנוזה. השתמש בקודים הבאים:
    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 )
  2. השתמש בפונקציה cindex_dis_all() ב-Mime כדי לשרטט את מדד ה-C של כל מודל ולבחור את המודל האופטימלי עם אינדקס ה-C הגבוה ביותר. השתמש בקודים הבאים:
    cindex_dis_all (res,validate_set = names (list_train_vali_Data )[-1 ],
    order =names (list_train_vali_Data ),width = 0.35 )
  3. חשב את עקומת ההישרדות של חולים לפי ציון סיכון באמצעות מודל ספציפי בין מערכי נתונים שונים ועבד את זה ב-Mime. השתמש בקודים הבאים:
    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 )
  4. לאחר מכן, השתמש בפונקציה cal_AUC_ml_res() ב-Mime כדי לחשב AUC תלוי זמן שנחזה על ידי המודלים הבנויים. השתמש בקודים הבאים:
    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" )
  5. השתמש בפונקציה auc_dis_all() ב-Mime כדי לשרטט AUC תלוי זמן שנחזה על ידי כל מודל. השתמש בקודים הבאים:
    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)
  6. עבד את עקומת ה-ROC התלויה בזמן של מודל ספציפי בין מערכי נתונים שונים ב-Mime. השתמש בקודים הבאים:
    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. בניית מודלים מנבאים לתגובה

  1. השתמש בפונקציה אחרת ML.Dev.Pred.Category.Sig() ב-Mime המבוססת על Example.ici ו-genelist כדי לבנות מודלים לחיזוי תגובה טיפולית. השתמש בקודים הבאים:
    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
    )
  2. השתמש בפונקציה auc_vis_category_all() ב-Mime כדי לשרטט את ה-AUC שנחזה על ידי כל מודל. השתמש בקודים הבאים:
    auc_vis_category_all(res.ici,dataset = c("training","validation"),
    order= c("training","validation"))
  3. עבד את עקומת ה-ROC של מודל ספציפי בין מערכי נתונים שונים ב-Mime. השתמש בקודים הבאים:
    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. בחירת תכונות ליבה

  1. השתמש בפונקציה ML.Corefeature.Prog.Screen() ב-Mime המבוססת על Example.cohort ו-genelist כדי לזהות גנים קריטיים. השתמש בקודים הבאים:
    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 )
  2. גני הפלט קשורים קשר הדוק לתוצאות המטופל ותדירות גבוהה יותר של משתנים שנבדקו פירושה שמדובר בתכונות ליבה (המשתנים המסוננים בתדירות הגבוהה ביותר מוגדרים כתכונות ליבה). השתמש בפונקציה core_feature_rank() ב-Mime כדי לשרטט את דרגת הגנים המסוננים בשיטות שונות. השתמש בקודים הבאים:
    core_feature_rank(res.feature.all, top=20)

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

ה-genelist ו-Example.cohort כולל קבוצת אימון אחת וקבוצת אימות אחת שימשו לבניית מודלים פרוגנוזיים על ידי שילוב 10 אלגוריתמים של למידת מכונה ב-Mime. מבין 117 מודלים של פרוגנוזה שנבנו על ידי MIME, למודל המשולב של StepCox[forward] + plsRcox (SPCOM) היה מדד ה-C הגבוה ביותר מבין כל הקבוצות, מה שמעיד על ביצועיו יוצאי הדופן (איור 1A). המטופלים הופרדו עוד יותר לקבוצות בסיכון גבוה וסיכון נמוך על פי ציון הסיכון החציוני שחושב על ידי SPCOM. מעניין שלמטופלים עם ציוני סיכון גבוהים היו תוצאות גרועות יותר בא...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

במחקר זה, אנו מספקים תיאור מפורט כיצד להשתמש בחבילת Mime כדי לפתח מודלים חזקים ורבי עוצמה לחיזוי למידת מכונה עבור נתונים טרנסקריפטומיים. במחקרים קודמים חוקרים התקשו לעתים קרובות בבחירת אלגוריתם מודל החיזוי המתאים בהתבסס על המאפיינים הספציפיים של נתוני הריצוף שלהם13,14. בנוסף, לחוקרים ללא רקע במדעי המחשב קיים קושי מסוים לייצב את סביבת למידת המכונה, לבחור פרמטרים מתאימים ולפרוס מודלים בו זמנית15. כדי לטפל בב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

לא הוכרז על ניגוד עניינים.

תודות

אנו מודים לכל המשתתפים והחוקרים המעורבים בהפקת הנתונים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
שם החבילהגירסהתוכנה
אפלוט0.1.10סטודיו R
בארט2.9.4סטודיו R
בורוטה8.0.0סטודיו R
מחלקה סרטנית1.38.0סטודיו R
סימן כניסה6.0-89סטודיו R
Ckmeans.1d.dp4.3.5סטודיו R
להשוותק1.3.2סטודיו R
מפת חום מורכבת2.15.1סטודיו R
יצירות2.0-4סטודיו R
data.table1.14.0סטודיו R
doמקביל1.0.16סטודיו R
dplyr1.1.3סטודיו R
E10711.7-7סטודיו R
Forestploter1.1.0סטודיו R
עתיד1.21.0סטודיו R
ליש"ט2.1.8.1סטודיו R
ג'יברייק0.1.1סטודיו R
גפלוט23.4.1סטודיו R
GGPUBR0.4.0סטודיו R
ggsci2.9סטודיו R
גלמנט4.1-2סטודיו R
רשת4.1.3סטודיו R
gridExtra2.3סטודיו R
GSEABase1.54.0סטודיו R
GSVA1.40.1סטודיו R
מיסק5.1-1סטודיו R
kknn1.3.1סטודיו R
סרוג1.42סטודיו R
מגריטר2.7.2סטודיו R
מטריצה1.5-4סטודיו R
מטא5.2-0סטודיו R
כלים שונים0.6-28סטודיו R
מיקס אומיקס6.18.1סטודיו R
כלי מיקס1.2.0סטודיו R
PBAPPLY1.4-3סטודיו R
plsRcox1.7.7סטודיו R
הליך1.18.0סטודיו R
R4.1.3סטודיו R
randomForestSRC4.6-14סטודיו R
קורא1.4.0סטודיו R
מתכונים0.1.17סטודיו R
שינוי צורה21.4.4סטודיו R
רמרקדאון2.8סטודיו R
רוקיט2.1.1סטודיו R
ROCR1.0-11סטודיו R
מאזניים1.2.1סטודיו R
ספארו1.0.3סטודיו R
סטרינגר1.5.0סטודיו R
מחשב סופר1.12סטודיו R
הישרדות3.3-1סטודיו R
הישרדותROC1.0.3סטודיו R
הישרדותSVM0.0.5סטודיו R
SVA3.40.0סטודיו R
testthat3.1.0סטודיו R
טיבל3.2.1סטודיו R
טידיר1.3.0סטודיו R
טידיוורס1.3.1סטודיו R
UpSetR1.4.0סטודיו R
וירידיס0.6.1סטודיו R

מקורות

  1. Reuter, J. A., Spacek, D. V., Snyder, M. P. High-throughput sequencing technologies. Mol Cell. 58 (4), 586-597 (2015).
  2. Adam, G., et al. Machine learning approaches to drug response prediction: challenges and recent progress. NPJ Precision Oncol. 4, 19(2020).
  3. Ding, L., et al. Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics. Cell. 173 (2), 305-320.e10 (2018).
  4. 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).
  5. Hanahan, D. Hallmarks of Cancer: New Dimensions. Cancer Disc. 12 (1), 31-46 (2022).
  6. Kourou, K., et al. Machine learning applications in cancer prognosis and prediction. Comp Str Biotechnol J. 13, 8-17 (2015).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Hwang, H., et al. Big data and deep learning for RNA biology. Exp Mol Med. 56 (6), 1293-1321 (2024).
  14. Sharma, A., et al. Advances in AI and machine learning for predictive medicine. J Hum Genet. 69 (10), 487-497 (2024).
  15. Greener, J. G., et al. A guide to machine learning for biologists. Nat Rev Mol Cell Biol. 23 (1), 40-55 (2022).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

בניית מודל ניבויבחירת מאפייניםויזואליזציה של נתוניםריצוף תעתוקמידול פרוגנוזהניבוי תגובה טיפוליתניתוח הישרדותזיהוי גנים מרכזייםמדדי ביצועי מודל
בנייה והדמיה של מודלים באמצעות מסגרת למידת מכונה מבוססת MIME
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.