Name: Selezionando più biomarcatore sottoinsiemi con similmente efficace classificazione binaria spettacoli (Video) | JoVE Journal
Uploaded: 2018-10-11T13:00:00.000+00:00
Duration: 7 min 35 s
Description: Scopri come selezionare sottoinsiemi multipli di biomarcatori con classificazione binaria efficace utilizzando un'interfaccia software user-friendly. Questo metodo computazionale aiuta i ricercatori a identificare soluzioni multiple nel rilevamento biomedico.

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

Questo lavoro è stato supportato dal programma di ricerca priorità strategica dell'Accademia cinese delle scienze (XDB13040400) e la concessione di avvio dalla Università di Jilin. Utenti anonimi e utenti test biomedici sono stati apprezzati per i loro commenti costruttivi per migliorare l'usabilità e la funzionalità di kSolutionVis.

Non abbiamo conflitti di interesse relativi alla presente relazione.

Questo studio presenta un protocollo di individuazione e caratterizzazione di biomarcatore multi-soluzione facile da seguire per un set di dati di classificazione binaria specificata dall'utente. Il software mette l'accento sulla facilità d'uso e interfacce flessibili di importazione/esportazione per vari formati di file, permettendo un ricercatore biomedico indagare il loro set di dati facilmente utilizzando la GUI del software. Questo studio evidenzia anche la necessità di generare più di una soluzione con prestazioni ...

Classificazione binaria, uno dei più comunemente studiato e dati impegnativi problemi in ambito biomedico, di data mining viene utilizzato per costruire un modello di classificazione addestrato su due gruppi di campioni con la più accurata discriminazione potenza1, 2 , 3 , 4 , 5 , 6 , 7. Tuttavia, le grandi quantità di dati generati in campo biomedico ha l'intrinseca "grande p piccolo n" paradigma, con il numero di caratteristiche solitamente molto più grande rispetto al numero di campioni6,8,9. Pertanto, i ricercatori biomedici necessario ridurre la dimensione caratteristica prima che utilizza gli algoritmi di classificazione per evitare l'overfitting problema8,9. Biomarcatori di diagnosi sono definiti come un sottoinsieme delle caratteristiche rilevate che separa i pazienti di una determinata malattia da sani di controllo campioni10,11. I pazienti sono solitamente definiti come i campioni positivi, e i controlli sani sono definiti come i campioni negativi12.
Studi recenti hanno suggerito che esiste più di una soluzione con prestazioni identiche o similmente efficace classificazione per un set di dati biomedici5. Quasi tutti gli algoritmi di selezione funzionalità sono algoritmi deterministici, producendo solo una soluzione per lo stesso dataset. Gli algoritmi genetici possono generare simultaneamente molteplici soluzioni con prestazioni simili, ma cercano ancora di selezionare un'unica soluzione con la migliore funzione di fitness come output per un dato set di dati13,14.
Algoritmi di selezione funzionalità possono essere approssimativamente raggruppati come filtri o wrapper12. Un algoritmo di filtro sceglie le caratteristichek top - classificate dalla loro associazione significativa individuali con le etichette di classe binario basato sul presupposto che dispone sono indipendente da ogni altro15,16,17 . Anche se questo presupposto non vale per quasi tutti i dataset reali, la regola di filtro euristico esegue bene in molti casi, per esempio, l'algoritmo di mRMR (ridondanza minima e massima rilevanza), Wilcoxon test basato funzionalità filtro (WRank) algoritmo e la trama ROC (caratteristica di funzionamento ricevitore) basato su algoritmo di filtraggio (ROCRank). mRMR, è un algoritmo efficiente filtro perché si approssima il problema combinatorio stima con una serie di problemi molto più piccoli, confronto con l'algoritmo di selezione funzione massimo-dipendenza, ognuna delle quali prevede solo due variabili, e utilizza pertanto le probabilità di joint pairwise che sono più robusti18,19. Tuttavia, mRMR può sottovalutare l'utilità di alcune caratteristiche non misura le interazioni tra caratteristiche che possono aumentare la pertinenza e così non trova alcune combinazioni di funzionalità che sono individualmente inutile ma sono utili solo quando combinato. L'algoritmo di WRank calcola un punteggio non parametrica di come discriminante una caratteristica è tra due classi di campioni ed è noto per la sua robustezza per outlier20,21. Inoltre, l'algoritmo di ROCRank valuta come significativo l'Area Under the ROC curva (AUC) di una particolare caratteristica è per la classificazione binaria indagate prestazioni22,23.
D'altra parte, un wrapper valuta le prestazioni del classificatore pre-definiti di un sottoinsieme di funzionalità specificato, in modo iterativo generato da una regola euristica e crea il sottoinsieme di funzionalità con le migliori prestazioni misura24. Un wrapper generalmente supera un filtro delle prestazioni di classificazione ma corre più lento25. Ad esempio, l'algoritmo di27 26,foresta casuale regolarizzata (RRF) utilizza una regola di avida, valutando le caratteristiche su un sottoinsieme dei dati di training a ogni nodo casuale foresta, cui punteggi di caratteristica importanza vengono valutate tramite l'indice di Gini . La scelta di una nuova funzionalità sarà penalizzata se suo guadagno informazioni non migliora che delle caratteristiche selezionate. Inoltre, l'analisi di previsione per i Microarrays (PAM)28,29 algoritmo, anche un algoritmo di wrapper, calcola un centroide per tutte le etichette di classe e quindi seleziona funzionalità per compattare i centroidi gene verso la totale centroide di classe. PAM è robusta per caratteristiche periferiche.
Molteplici soluzioni con le prestazioni di classificazione superiore possono essere necessarie per qualsiasi set di dati specificato. In primo luogo, l'obiettivo di ottimizzazione di un algoritmo deterministico è definito da una formula matematica, ad esempio, tasso di errore minimo30, che non è necessariamente ideale per campioni biologici. In secondo luogo, un set di dati possono avere soluzioni significativamente differenti, multiplo, con simili prestazioni efficaci o addirittura identici. Quasi tutti gli algoritmi di selezione funzionalità esistenti selezionerà casualmente una di queste soluzioni come l' uscita31.
Questo studio introdurrà un protocollo analitico di informatica per la generazione di soluzioni di selezione funzionalità multiple con prestazioni simili per qualsiasi set di dati di classificazione binaria dato. Considerando che i ricercatori biomedici più non familiarità con tecniche informatiche o computer di codifica, un'interfaccia grafica utente (GUI) è stata sviluppata per facilitare l'analisi rapida dei set di dati biomedici classificazione binaria. Il protocollo analitico consiste di caricamento dei dati e che riassume, parametro tuning, l'esecuzione della pipeline e interpretazioni di risultato. Con un semplice click, il ricercatore è in grado di generare il biomarcatore sottoinsiemi e pubblicazione-qualità visualizzazione grafici. Il protocollo è stato testato utilizzando i trascrittomi di classificazione binaria base dati di leucemia linfoblastica acuta (LLA), vale a dire, ALL1 e ALL212. I set di dati di ALL1 e ALL2 sono stati scaricati dal Broad Institute genoma Data Analysis Center, disponibile presso http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 contiene 128 campioni con 12.625 caratteristiche. Di questi esempi, 95 sono B-cellula tutti e 33 sono cellule T tutti. ALL2 include 100 campioni con 12.625 caratteristiche pure. Di questi esempi, ci sono 65 pazienti che hanno sofferto di ricaduta e 35 pazienti che non hanno fatto. ALL1 era un set di dati di facile classificazione binaria, con una precisione minima di quattro filtri e quattro wrapper essendo 96.7% e 6 degli algoritmi di selezione 8 funzionalità raggiungimento 100%12. Mentre ALL2 era un dataset più difficile, con gli algoritmi di selezione 8 caratteristica sopra raggiungere nessuno meglio di 83,7% precisione12. Questa precisione migliore è stata realizzata con 56 caratteristiche rilevate dall'algoritmo wrapper, funzionalità di selezione basata sulla correlazione (CFS).

<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>Qualsiasi computer funziona. Configurazione minima consigliata: 1 GB di spazio aggiuntivo su disco rigido, 1 GB di memoria, CPU da 2,0 MHz<</td></tr><tr><td>forte>Nome</forte></td><td><forte>Azienda</forte></td><td><forte>Numero di catalogo</forte></td><td><forte>Commenti</forte></td></tr><tr><td><forte>Software</forte></td><td></td><td></td><td></td></tr><tr><td>Python 3.0</td><td>WingWare</td><td>Wing Personal</td><td>Tutti gli ambienti di programmazione ed esecuzione Python supportano Python versione 3.0 o superiore</td></tr></tbody></table>

selezionando più biomarcatore sottoinsiemi con similmente efficace classificazione binaria spettacoli

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Rilevamento di biomarcatore è una delle più importanti domande biomedicale per i ricercatori di high-throughput "omiche", e quasi tutti gli algoritmi di rilevamento biomarcatore esistenti generano un sottoinsieme di biomarcatore con la misura di prestazioni ottimizzate per un determinato set di dati . Tuttavia, un recente studio ha dimostrato l'esistenza di più sottoinsiemi di biomarcatore con esibizioni di classificazione similmente efficaci o addirittura identici. Questo protocollo presenta una metodologia semplice e diretta per la rilevazione di sottoinsiemi di biomarcatore con esibizioni di classificazione binaria, meglio di un cut-off definito dall'utente. Il protocollo consiste di preparazione dei dati e caricamento, Riepilogo informazioni di base, parametro tuning, lo screening biomarcatore, visualizzazione dei risultati e interpretazione, biomarcatore gene annotazioni ed esportazione di risultato e la visualizzazione a qualità di pubblicazione. Il biomarcatore proposto strategia di screening è intuitivo e dimostra una regola generale per lo sviluppo di algoritmi di rilevamento del biomarcatore. Un'interfaccia grafica utente (GUI) è stata sviluppata utilizzando il linguaggio di programmazione Python, permettendo i ricercatori biomedici di avere accesso diretto ai loro risultati. Il manuale di kSolutionVis e il codice sorgente può essere scaricati da http://www.healthinformaticslab.org/supp/resources.php.

L'obiettivo di questo flusso di lavoro (Figura 6) è quello di rilevare più sottoinsiemi di biomarcatore con efficienze simili per un set di dati di classificazione binaria. L'intero processo è illustrato da due set di dati esempio ALL1 e ALL2 estratte da un rilevamento di biomarcatore recentemente pubblicato lo Studio12,48. Un utente può installare kSolutionVis seguendo le istruzioni riportate nei mat...

Algoritmi esistenti generano una soluzione per un set di dati di rilevamento biomarcatore. Questo protocollo dimostra l'esistenza di molteplici soluzioni similmente efficaci e presenta un software user-friendly per aiutare i ricercatori biomedici indagare il loro set di dati per la sfida proposta. Gli informatici possono anche fornire questa funzionalità nel loro biomarcatore algoritmi di rilevamento.

Selezionando più biomarcatore sottoinsiemi con similmente efficace classificazione binaria spettacoli

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

Questa misura può aiutare a rispondere a domande chiave nel campo del rilevamento biomedico sulla generazione di più soluzioni. Il vantaggio principale di questa tecnica è che fornisce un'interfaccia utente grafica intuitiva per assistere i ricercatori biomedici nel rilevamento di più sovvenzioni di funzionalità. Inizia caricando i dati Matrix e le etichette di classe nel software.Fare clic su carica matrice di dati per selezionare il file di metrica dei dati specificato dall'utente e caricare le etichette delle classi per selezionare il file di etichetta della classe corrispondente. Per determinare le etichette di classe nel numero di funzionalità di alto livello, selezionare i nomi delle classi positive e negative nelle caselle a discesa appropriate e selezionare 10 come numero di funzionalità di alto livello nella casella di riepilogo a discesa X superiore per una schermata completa del sottoinsieme di funzionalità. Per ottimizzare i parametri di sistema per prestazioni diverse, selezionare l'accuratezza della misurazione delle prestazioni come casella di riepilogo a discesa precisione bilanciata per il classificatore automatico di apprendimento estremo selezionato.Selezionare q

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

Research

Ricerca

JoVE Journal

Cancer Research

Ricerca sul cancro

Tecniche multivariate tra cui l'analisi delle componenti principali (PCA) sono stati utilizzati per identificare i modelli delle firme di cambiamento regionale in immagini funzionali del cervello. Abbiamo sviluppato un algoritmo per identificare i biomarcatori di rete riproducibili per la diagnosi di patologie neurodegenerative, la valutazione della progressione della malattia, e la valutazione obiettiva degli effetti del trattamento in popolazioni di pazienti.

Identificazione delle malattie legate Patterns covarianza spaziale utilizzando i dati Neuroimmagine

Questa metodologia produce alberi delle decisioni che prendono di mira gruppi di popolazione più inclini a soffrire di lievi disturbi cognitivi e sono utili per uno screening selettivo della malattia conveniente.

Un approccio di Machine Learning alla progettazione di uno screening selettivo efficiente di un lieve danno cognitivo

LEfSe (LDA Effect Size) è uno strumento per l'estrazione di biomarcatori ad alta dimensione per identificare caratteristiche genomiche (come geni, percorsi e tassonomie) che caratterizzano in modo significativo due o più gruppi nei dati del microbioma.

Selezione assistita di biomarcatori mediante LEfSe (Linear Discriminant Analysis Effect Size) nei dati del microbioma

Qui, introduciamo un protocollo per convertire i dati trascrittomici in una vista mqTrans, consentendo l'identificazione di biomarcatori oscuri. Sebbene non siano espressi in modo differenziale nelle analisi trascrittomiche convenzionali, questi biomarcatori mostrano un'espressione differenziale nella vista mqTrans. L'approccio funge da tecnica complementare ai metodi tradizionali, svelando biomarcatori precedentemente trascurati.

Generazione della vista di regolazione trascrizionale delle caratteristiche trascrittomiche per l'attività di predizione e il rilevamento di biomarcatori oscuri su set di dati di piccole dimensioni

Qui presentiamo indirizzabile gocciolina microarrays (ADMs), un metodo di matrice basata gocciolina in grado di determinare l'abbondanza assoluta della proteina in cellule singole. Dimostriamo la capacità di ADMs per caratterizzare l'eterogeneità nell'espressione della proteina oncosoppressore p53 in una linea cellulare di cancro umano.

Proteine in singole cellule con gocciolina indirizzabile Microarrays di conteggio

Pancreatoduodenctomy laparoscopica (LPD) possono offrire vantaggi rispetto pancreatoduodenectomy aperto, tra cui precoce mobilizzazione postoperatoria, meno ritardato svuotamento gastrico e una degenza ospedaliera più breve. Tuttavia, LPD è tecnicamente impegnativo e non ben standardizzati, soprattutto per quanto riguarda l'anastomosi pancreatico. Descriviamo una tecnica standardizzata per l'anastomosi pancreatico durante LPD: per volta Blumgart pancreaticojejunostomy.

Pancreatoduodenectomy laparoscopica con modificate Blumgart Pancreaticojejunostomy

Qui usiamo bioluminescenti, raggi x ed emissione di positroni tomografia/computato tomografia imaging per studiare l'attività come inibitore di mTOR urta i tumori del midollo osseo-engrafted mieloma in un modello dello xenotrapianto. Questo permette analisi fisiologicamente pertinenti, non invasivo e multimodale dell'effetto anti-mieloma di terapie designando i tumori del midollo osseo-engrafted mieloma in vivo.

Formazione immagine di tomografia multimodale bioluminescenti ed emissione positronica tomografia/computazionale di mieloma multiplo del midollo osseo xenotrapianti in topi NOG

Qui, un protocollo per analisi di medio-alto rendimento degli eventi di fosforilazione della proteina a livello cellulare è presentato. Phospho flusso cytometry è un approccio potente per caratterizzare la segnalazione aberrazioni, identificare e validare biomarcatori e valutare farmacodinamica.

Citometria a flusso di phospho con codici a barre fluorescenti cella per cella singola segnalazione analisi e scoperta del biomarcatore

Questo manoscritto descrive la sintesi di un nanotubo di carbonio a parete singola (SWCNT)-coniugato MALAT1 gapmer antisenso del DNA oligonucleotide (SWCNT-anti-MALAT1), che dimostra la consegna affidabile del SWCNT e il potente effetto terapeutico di anti-MALAT1 in vitro e in vivo. Metodi utilizzati per la sintesi, la modifica, la coniugazione e iniezione di SWCNT-anti-MALAT1 sono descritti.

Repressione della crescita delle cellule di mieloma multiplo In Vivo di nanotubi di carbonio a parete singola (SWCNT)-consegnato oligo antisenso MALAT1

Qui, presentiamo un protocollo per esplorare il biomarcatore e il predittore di sopravvivenza del cancro al seno sulla base dell'analisi completa dei dataset clinici aggregati derivati da una varietà di database accessibili pubblicamente, utilizzando la strategia di espressione, correlazione e analisi di sopravvivenza passo dopo passo.

Esecuzione di data mining e analisi integrativa dei biomarcatori nel cancro al seno utilizzando più database accessibili pubblicamente

Scopri come selezionare sottoinsiemi multipli di biomarcatori con classificazione binaria efficace utilizzando un'interfaccia software user-friendly. Questo metodo computazionale aiuta i ricercatori a identificare soluzioni multiple nel rilevamento biomedico.

Selezionando più biomarcatore sottoinsiemi con similmente efficace classificazione binaria spettacoli

Esplora altri video