MIME은 우아한 성능의 기계 학습 기반 통합 모델을 구축하기 위한 유연한 계산 프레임워크입니다. 여기에서는 복잡한 데이터 세트를 활용하여 질병 진행, 환자 결과 및 치료 반응과 관련된 중요한 유전자를 식별하여 높은 정확도로 예측 모델을 개발하기 위한 상세한 단계별 절차를 제공합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
방법 논문
Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화
* These authors contributed equally
이 논문에서
요약
초록
널리 보급된 고처리량 염기서열분석 기술은 생물학 및 암 이질성에 대한 이해를 크게 향상시켰습니다. 전사 데이터에 대한 머신 러닝 알고리즘은 환자의 예후와 임상 반응을 예측하는 데 필수적이 되었습니다. 기계 학습 알고리즘의 발전에도 불구하고 전사 데이터에 가장 정교한 기계 학습 알고리즘을 통합하는 오픈 소스 플랫폼은 여전히 부재합니다. 이러한 격차를 해소하기 위해 우리는 임상적 특성과 유전자 서명에 대한 예측 모델의 구성 및 시각화를 향상시키기 위한 다목적 기계 학습 프레임워크인 Mime을 개발했습니다. 다양한 데이터 세트를 통합하고 가장 진보된 기능 선택 기술을 사용함으로써 Mime은 임상 예측의 중요한 문제를 해결합니다. 모델 구성, 기능 선택 및 데이터 시각화를 포함한 세 가지 주요 기능을 제공합니다. 모델 구성에는 의사 결정 트리, 지원 벡터 머신 및 앙상블 방법을 포함하되 이에 국한되지 않는 다양한 기계 학습 알고리즘이 포함되므로 연구원은 특정 분석에 가장 적합한 접근 방식을 선택할 수 있습니다. 기능 선택은 재귀 기능 제거 및 LASSO 회귀와 같은 고급 알고리즘을 활용하여 데이터 세트를 간소화하고 가장 유익한 기능에 집중합니다. 이 프레임워크는 교차 검증 방법을 통해 사용자 정의 가능한 매개변수 조정을 지원하여 모델 성능을 최적화하는 동시에 과적합 위험을 완화합니다. Mime에 통합된 시각화 도구를 통해 연구원은 모델 결과를 효과적으로 해석하여 기능 중요도 및 예측 성능 메트릭을 그래픽으로 표현할 수 있습니다. 이 원고에서는 이 다재다능한 기계 학습 프레임워크의 단계별 절차에 대한 자세한 자습서를 제공합니다.
서론
고처리량 염기서열분석 기술의 광범위한 채택은 생물학 및 암 이질성에 대한 이해에 상당한 영향을 미쳤습니다1. 이러한 생명 공학의 획기적인 발전은 우리의 과학적 지식을 심화시켰을 뿐만 아니라 의학 연구 분야에도 혁명을 일으켰습니다. 과학자들이 많은 양의 유전 물질을 빠르고 정확하게 염기서열 분석할 수 있도록 함으로써 고처리량 염기서열분석은 새로운 유전자, 돌연변이 및 생물학적 경로의 발견을 가속화했습니다. 점점 더 많은 연구가 염기서열분석 데이터를 통해 질병 진행, 환자 예후 및 치료 반응성과 관련된 특정 분자 신호를 설명하고 있습니다 2,3,4. 이러한 특정 서명은 종양 기원, 분화, 이동 및 치료 내성을 포함하여 종양 생물학의 기저에 있는 전사 조절 네트워크를 이해하는 데 포괄적인 환경을 제공합니다5. 이러한 특징은 종종 다양하고 다양하며 단일 전시회에 국한되지 않고 여러 측면을 포괄합니다. 이로 인해 질병과 밀접한 관련이 있는 특정 유전자를 선별하고 식별하기가 어렵습니다. 따라서 질병과 관련된 중요한 유전자를 스크리닝하기 위한 합리적인 계산 전략이 시급히 필요합니다.
머신 러닝(ML)은 복잡한 데이터 세트에서 학습하고, 패턴을 식별하고, 높은 정확도로 예측 모델을 개발하여 의사 결정을 위한 참조를 제공할 수 있는 시스템을 구축하는 데 중점을 둔 인공 지능의 한 분야입니다6. 최근에는 다양한 질병에서 환자의 결과를 예측하거나 질병을 진단하기 위해 전사체 데이터에서 기계 학습 기반 모델의 개발이 빠르게 진행되고 있습니다 7,8,9,10. 이러한 모델의 성능은 학습에 사용되는 다양한 데이터 세트와 알고리즘으로 인해 크게 달라지는 경우가 많습니다. 후속 실험 및 임상 적용을 위한 최적의 모델을 선택하는 것이 시급한 과제로 부상했습니다. 실행 가능한 접근법은 다양한 모델의 성능을 비교하고 추가 활용을 위해 가장 유망한 모델을 선택하는 것을 수반합니다 7,11. 또한 다양한 컴퓨팅 프레임워크에서 지원되는 매개변수 및 결과 형식의 다양성은 비교 분석에 상당한 문제를 제기합니다. 그러나 현재로서는 최첨단 머신 러닝 알고리즘을 통합하여 서로 다른 모델의 강점과 약점을 비교하고 매개변수 선택 프로세스를 단순화하여 사용자가 더 쉽게 액세스할 수 있도록 하는 소프트웨어가 없습니다. 따라서 전사 데이터와 다양한 기계 학습 알고리즘의 통합을 용이하게 하는 동시에 바이오마커 선택 및 모델 해석의 현재 한계를 해결할 수 있는 사용자 친화적인 소프트웨어 개발이 필요합니다. 이러한 발전은 현재 연구 분야에 대한 귀중한 통찰력을 제공하고 궁극적으로 환자 결과를 개선할 수 있는 우리의 능력을 크게 확장할 것입니다.
이 연구에서는 데이터 세트 전반에 걸쳐 강력한 성능을 보여주고 다양한 기계 학습 알고리즘과 전사체 데이터 세트의 통합을 간소화하여 관련 프로세스를 단순화하는 것을 목표로 하는 Mime12라는 오픈 소스 R 패키지를 개발했습니다. 대규모 전사체 데이터에서 잠재적인 후보를 식별하고 최적의 모델을 개발하기 위해 Mime은 4가지 응용 기능을 제공합니다. 10개의 기계 학습 알고리즘을 통합하여 구성된 최적 예후 모델; 7개의 기계 학습 알고리즘을 사용하여 구성된 이진 응답 모델; 8개의 기계 학습 알고리즘을 사용하여 식별된 예후와 관련된 핵심 기능; 각 모델의 성능 시각화.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
참고: 이 연구의 자습서는 모두 R 소프트웨어를 사용하여 Linux 플랫폼에서 실행됩니다. 이 프로토콜에 사용된 R 패키지의 버전은 재료 표에 나열되어 있습니다. 분석에 필요한 각 단계는 아래와 같으며, GitHub(https://github.com/l-magnificence/Mime)에서도 자세한 프로토콜을 얻을 수 있습니다. Mime에 문제가 발생하는 사용자는 GitHub https://github.com/l-magnificence/Mime/issues 문제 페이지를 방문하여 피드백을 제공할 수 있습니다.
1. MIME 및 예제 데이터셋 준비
- 아래 코드를 사용하여 GitHub에서 Mime의 개발 버전을 설치합니다.
devtools::install_github("l-magnificence/Mime") - 생존 또는 치료에 대한 임상적 반응에 대한 정보와 함께 전사 염기서열분석 데이터를 포함하는 여러 코호트를 준비합니다. 여기서, 두 개의 예시 데이터(Example.cohort 및 Example.ici)가 Mime을 실행하는 데 사용되었습니다. Example.cohort에는 두 개의 신경교종 데이터 세트가 포함되어 있습니다. 각각 TCGA 및 CGGA 데이터베이스에서 각각 100개의 샘플을 무작위로 선택했습니다. Example.ici는 이전 연구에서 면역관문억제제를 사용한 100개의 전처리 샘플을 무작위로 선택하여 포함하고 있으며, 12. 모든 예제 데이터는 GitHub(https://github.com/l-magnificence/Mime/tree/main/External%20data)에서 가져올 수 있습니다.
- Example.cohort에서 예후에 대한 예측 모델을 구성하기 위해 여러 데이터 세트를 포함합니다. 각 데이터 세트의 첫 번째 열 ID는 샘플 ID이고, 각 데이터 세트의 두 번째 및 세 번째 열 OS.time 및 OS는 환자의 생존 시간 및 상태입니다. 각 데이터 세트의 다른 열은 log2(x+1)로 조정된 유전자 발현 수준입니다. Dataset1은 학습 데이터 세트이고 다른 데이터 세트는 유효성 검사용입니다. Example.cohort에 대해 다음 형식을 사용합니다.
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 - Example.ici에서 반응에 대한 예측 모델을 구성하기 위해 여러 데이터셋을 포함합니다. 각 데이터 세트의 첫 번째 열 ID는 샘플 ID이고, 각 데이터 세트의 두 번째 열 Var은 환자의 치료 반응입니다(N: 응답 없음; Y: response)이고 각 데이터 세트의 다른 열은 log2(x+1)로 척도화된 유전자 발현 수준입니다. 학습은 학습 데이터 세트이고 다른 데이터 세트는 검증을 위한 것입니다. Example.ici에 대해 다음 형식을 사용합니다.
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
- Example.cohort에서 예후에 대한 예측 모델을 구성하기 위해 여러 데이터 세트를 포함합니다. 각 데이터 세트의 첫 번째 열 ID는 샘플 ID이고, 각 데이터 세트의 두 번째 및 세 번째 열 OS.time 및 OS는 환자의 생존 시간 및 상태입니다. 각 데이터 세트의 다른 열은 log2(x+1)로 조정된 유전자 발현 수준입니다. Dataset1은 학습 데이터 세트이고 다른 데이터 세트는 유효성 검사용입니다. Example.cohort에 대해 다음 형식을 사용합니다.
- 유전자 세트를 준비합니다. 여기서, MSigDB로부터의 Wnt/β-catenin 신호전달과 관련된 유전자 세트(genelist)를 사용하여 Mime을 실행하였다. genelist에 대해 다음 형식을 사용합니다.
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. 예후를 위한 예측 모델 구축
- Example.cohort 및 genelist를 기반으로 Mime에서 ML.Dev.Prog.Sig() 함수를 사용하여 예후 예측 모델을 구성합니다. 다음 코드를 사용합니다.
library (Mime1)
load ("./Example.cohort.Rdata" )
load ("./genelist.Rdata" )
res <- ML.Dev.Prog.Sig (train_data = list_train_vali_Data $Dataset1,
list_train_vali_Data = list_train_vali_Data,
unicox.filter.for.candi = T,
unicox_p_cutoff = 0.05,
candidate_genes = genelist,
mode = 'all',nodesize =5,seed = 5201314 ) - Mime에서 함수 cindex_dis_all()를 사용하여 각 모델의 C-인덱스를 플로팅하고 C-인덱스가 가장 높은 최적의 모델을 선택합니다. 다음 코드를 사용합니다.
cindex_dis_all (res,validate_set = names (list_train_vali_Data )[-1 ],
order =names (list_train_vali_Data ),width = 0.35 ) - 서로 다른 데이터셋 중 특정 모델을 사용하여 위험 점수에 따라 환자의 생존 곡선을 계산하고 이를 Mime에서 처리합니다. 다음 코드를 사용합니다.
survplot <- vector ("list",2 )
for (i in c (1:2)) {
print (survplot [[i ]]<-rs_sur (res,
model_name = "StepCox[forward] + plsRcox",
dataset = names (list_train_vali_Data )[i ],
median.line = "hv",
cutoff = 0.5,
conf.int = T,
xlab ="Day",pval.coord =c (1000,0.9 )))
}
aplot ::plot_list (gglist =survplot,ncol =2 ) - 다음으로, Mime의 cal_AUC_ml_res() 함수를 사용하여 구성된 모델에서 예측한 시간 종속 AUC를 계산합니다. 다음 코드를 사용합니다.
all.auc.1y <- cal_AUC_ml_res (res.by.ML.Dev.Prog.Sig =res,
train_data = list_train_vali_Data [["Dataset1" ]],
inputmatrix.list =list_train_vali_Data,
mode = 'all',AUC_time = 1,
auc_cal_method ="KM" ) - Mime에서 function auc_dis_all()를 사용하여 각 모델에서 예측한 시간 종속 AUC를 플롯합니다. 다음 코드를 사용합니다.
auc_dis_all(all.auc.1y,
dataset = names(list_train_vali_Data),
validate_set=names(list_train_vali_Data)[-1],
order= names(list_train_vali_Data),
width = 0.35,
year=1) - Mime의 서로 다른 데이터 세트 중에서 특정 모델의 시간 종속 ROC 곡선을 처리합니다. 다음 코드를 사용합니다.
roc_vis(all.auc.1y,
model_name = "StepCox[forward] + plsRcox",
dataset = names(list_train_vali_Data),
order= names(list_train_vali_Data),
anno_position=c(0.65,0.55),
year=1)
3. 대응을 위한 예측 모델 구축
- Example.ici 및 genelist를 기반으로 Mime에서 다른 함수 ML.Dev.Pred.Category.Sig()를 사용하여 치료 반응에 대한 예측 모델을 구성합니다. 다음 코드를 사용합니다.
load("./Example.ici.Rdata")
load("./genelist.Rdata")
res.ici <- ML.Dev.Pred.Category.Sig(
train_data = list_train_vali_Data$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
) - Mime의 auc_vis_category_all() 함수를 사용하여 각 모델에서 예측한 AUC를 플로팅합니다. 다음 코드를 사용합니다.
auc_vis_category_all(res.ici,dataset = c("training","validation"),
order= c("training","validation")) - Mime의 서로 다른 데이터 세트 중에서 특정 모델의 ROC 곡선을 처리합니다. 다음 코드를 사용합니다.
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. 핵심 기능 선택
- Example.cohort 및 genelist를 기반으로 하는 Mime에서 ML.Corefeature.Prog.Screen() 함수를 사용하여 중요한 유전자를 식별합니다. 다음 코드를 사용합니다.
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 ) - output genes는 환자의 outcome과 밀접한 관련이 있으며, variable screened의 빈도가 높을수록 이것이 핵심 특징임을 의미합니다(가장 자주 필터링된 변수가 핵심 특징으로 정의됨). Mime에서 core_feature_rank() 함수를 사용하여 다른 방법으로 필터링된 유전자의 순위를 플로팅합니다. 다음 코드를 사용합니다.
core_feature_rank(res.feature.all, top=20)
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
1개의 훈련 코호트와 1개의 검증 코호트를 포함하는 genelist와 Example.cohort는 Mime에 10개의 기계 학습 알고리즘을 통합하여 예후 모델을 구성하는 데 사용되었습니다. Mime이 구축한 117개의 예후 모델 중 StepCox[forward] + plsRcox 결합 모델(SPCOM)이 모든 코호트 중에서 가장 높은 C-index를 보여 뛰어난 성능을 나타냈습니다(그림 1A). 환자들은 SPCOM이 계산한 위험 점수 중앙값에 따라 고위험군과 저위험군으로 더 구분되었다. 흥미롭게도, 고위험 점수를 받은 환자는 모든 코호트에서 결과가 유의하게 더 나빴습니다(그림 1B). 주목할 점은 SPCOM이 예측한 1년 AUC가 모든 코호트에서 AUC의 평균이 가장 높은 1위를 차지했다는 것입니다(그림 1C,D). 이러한 결과는 MIME ...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
이 연구에서는 Mime 패키지를 사용하여 전사체 데이터에 대한 강력하고 강력한 기계 학습 예측 모델을 개발하는 방법에 대한 자세한 설명을 제공합니다. 이전 연구에서 연구자들은 염기서열분석 데이터의 특정 특성을 기반으로 적절한 예측 모델 알고리즘을 선택하는 데 어려움을 겪는 경우가 많았습니다 13,14. 또한 컴퓨터 공학에 대한 배경지식이 없는 연구자의 경우 기계 학습 환경을 안정화하고, 적절한 매개변수를 선택하고, 모델을 동시에 배포하는 데 일정한 어려움이 있습니다15. 이 문제를 해결하기 위해 예후와 관련된 10개의 기계 학습 예측 모델 알고리즘, 7개의 이진 응답 기계 학습 알고리즘 및 예후와 관련된 8개의 핵심 기능 선택 알고리즘을 Mime 패키지에 통합했습니다. 동일한 훈련 세트에서 서로 다른 기계 학습 알고리즘의 ...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
선언된 이해 상충이 없습니다.
감사의 글
데이터 생산에 참여한 모든 참가자와 연구자에게 감사드립니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 패키지 이름 | 버전 | 소프트웨어 | |
| 플롯 | 0.1.10 | R 스튜디오 | |
| 바트 | 2.9.4 | R 스튜디오 | |
| 보루타 | 8.0.0 | R 스튜디오 | |
| 암클래스 | 1.38.0 | R 스튜디오 | |
| 캐럿 | 6.0-89 | R 스튜디오 | |
| Ckmeans.1d.dp | 4.3.5 | R 스튜디오 | |
| 비교C | 1.3.2 | R 스튜디오 | |
| 컴플렉스 히트맵 | 2.15.1 | R 스튜디오 | |
| 작곡 | 2.0-4 | R 스튜디오 | |
| 데이터.테이블 | 1.14.0 | R 스튜디오 | |
| 도병렬 | 1.0.16 | R 스튜디오 | |
| 디플리르 | 1.1.3 | R 스튜디오 | |
| 1071회 | 1.7-7 | R 스튜디오 | |
| 산림 플로터 | 1.1.0 | R 스튜디오 | |
| 미래 | 1.21.0 | R 스튜디오 | |
| GBM | 2.1.8.1 | R 스튜디오 | |
| 그브레이크 | 0.1.1 | R 스튜디오 | |
| ggplot2 | 3.4.1 | R 스튜디오 | |
| ggpubr | 0.4.0 | R 스튜디오 | |
| ggsci | 2.9 | R 스튜디오 | |
| GLMNET | 4.1-2 | R 스튜디오 | |
| 그리드 | 4.1.3 | R 스튜디오 | |
| 그리드 엑스트라 | 2.3 | R 스튜디오 | |
| GSEA베이스 | 1.54.0 | R 스튜디오 | |
| GSVA | 1.40.1 | R 스튜디오 | |
| Hmisc | 5.1-1 | R 스튜디오 | |
| kknn | 1.3.1 | R 스튜디오 | |
| 니트 | 1.42 | R 스튜디오 | |
| 마그리트 | 2.7.2 | R 스튜디오 | |
| 행렬 | 1.5-4 | R 스튜디오 | |
| 메타 | 5.2-0 | R 스튜디오 | |
| 기타 도구 | 0.6-28 | R 스튜디오 | |
| 믹스오믹스 | 6.18.1 | R 스튜디오 | |
| 믹스툴 | 1.2.0 | R 스튜디오 | |
| pb적용 | 1.4-3 | R 스튜디오 | |
| plsRcox | 1.7.7 | R 스튜디오 | |
| 프로시저 | 1.18.0 | R 스튜디오 | |
| R | 4.1.3 | R 스튜디오 | |
| 랜덤포레스트SRC | 4.6-14 | R 스튜디오 | |
| 읽기 | 1.4.0 | R 스튜디오 | |
| 조리법 | 0.1.17 | R 스튜디오 | |
| 모양 변경2 | 1.4.4 | R 스튜디오 | |
| r마크다운 | 2.8 | R 스튜디오 | |
| ROCit | 2.1.1 | R 스튜디오 | |
| ROCR | 1.0-11 | R 스튜디오 | |
| 저울 | 1.2.1 | R 스튜디오 | |
| 참새 | 1.0.3 | R 스튜디오 | |
| 스트링거 | 1.5.0 | R 스튜디오 | |
| 슈퍼PC | 1.12 | R 스튜디오 | |
| 생존 | 3.3-1 | R 스튜디오 | |
| 생존ROC | 1.0.3 | R 스튜디오 | |
| 생존SVM | 0.0.5 | R 스튜디오 | |
| SVA | 3.40.0 | R 스튜디오 | |
| test해당 | 3.1.0 | R 스튜디오 | |
| 티블 | 3.2.1 | R 스튜디오 | |
| 정리 | 1.3.0 | R 스튜디오 | |
| 정리 | 1.3.1 | R 스튜디오 | |
| 업셋R | 1.4.0 | R 스튜디오 | |
| 비리디스 | 0.6.1 | R 스튜디오 |
참고문헌
- 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).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
