Name: 마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택 (동영상) | JoVE Journal
Uploaded: 2018-10-11T13:00:00.000+00:00
Duration: 7 min 35 s
Description: 학습하세요 바이오마커 데이터셋에서 다중 특징 하위 집합을 식별하는 사용자 친화적 소프트웨어 인터페이스를 활용한 계산적 방법을 통해 생의학 연구자들이 정확도와 효율성을 높여 바이오마커 검출을 개선할 수 있습니다.

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

이 작품은 중국 과학원 (XDB13040400)와 길 림 대학에서 시작 그랜트의 전략적 우선 순위 연구 프로그램에 의해 지원 되었다. 익명 검토자와 생물 의학 테스트 사용자 유용성 및 kSolutionVis의 기능 개선에 그들의 건설적인 의견을 주셔서 감사 했다.

우리는이 보고서와 관련 된 충돌의 관심 있다.

이 연구는 이진 분류 사용자 지정 데이터 집합의 따라 하기 쉬운 멀티 솔루션 바이오 마커 검출 및 특성화 프로토콜을 제공합니다. 소프트웨어는 사용자와 소프트웨어의 GUI를 사용 하 여 쉽게 그들의 데이터 집합을 조사 하는 생물 의학 연구원을 수 있도록 다양 한 파일 형식에 대 한 유연한 가져오기/내보내기 인터페이스에 중점을 둔다. 이 연구는 또한 유사 하 게 효과적인 모델링 공연, 이전 많은 기존 바이오 마커 검출 알고리즘에 의해 무시 하나 이상의 솔루션 생성의 필요성을 강조 한다. 미래에 새롭게 개발된 된 바이오 마커 검출 알고리즘 충분 한 모델링 공연 모든 중간 biomarker 하위 집합을 기록 하 여이 옵션을 포함할 수 있습니다.
이 프로토콜, 소프트웨어는 올바르게 서식이 지정 된 입력된 파일에 의존 하는 완전 자동 시스템으로 최대 중요성의 1-5 단계 있습니다. 그것은 우리의 테스트 단계, 데이터 매트릭스에서 샘플 이름 잘못 일치를 발견 하 고 클래스 레이블 파일 어디 ...

하나는 가장 일반적으로 이진 분류 조사 하 고 도전적인 데이터 마이닝, 생물 의학 영역에서 문제 샘플 가장 정확한 차별 전원1, 의 두 그룹에 대 한 훈련 분류 모델을 구축 하는 2 , 3 , 4 , 5 , 6 , 그러나 7., 생물 의학 분야에서 생성 하는 큰 데이터는 고유의 "큰 p 작은 n" 패러다임, 기능의 일반적으로 샘플6,,89의 수 보다 훨씬 더 큰 숫자와 함께. 따라서, 생물 의학 연구원 overfitting 문제8,9를 피하기 위해 분류 알고리즘을 활용 하기 전에 기능 치수를 줄일 필요가 있다. 진단 바이오 마커는 건강 한 컨트롤 샘플10,11에서 특정된 질환의 환자를 분리 검색 기능의 하위 집합으로 정의 됩니다. 환자는 일반적으로 긍정적인 샘플으로 정의 되며 건강 한 컨트롤 부정적인 샘플12로 정의 됩니다.
최근 연구는 생물 의학 데이터 집합5에 대 한 동일 또는 유사 하 게 효과적인 분류 공연 하나 이상의 솔루션 존재 제안 했다. 거의 모든 기능 선택 알고리즘은 동일한 데이터 집합에 대 한 하나의 솔루션을 생산 하는 결정적 알고리즘입니다. 유전자 알고리즘을 동시에 비슷한 공연, 여러 솔루션을 생성할 수 있습니다 하지만 그들은 여전히 주어진된 데이터 집합13,14에 대 한 출력으로 최고의 피트 니스 기능을 하나의 솔루션을 선택 하려고 합니다.
기능 선택 알고리즘 필터 또는 래퍼12대략 그룹화 될 수 있습니다. 상위-k 특징 이진 클래스 레이블 기능 가정에 따라 그들의 중요 한 개인 협회에 의해 선정은 서로15,,1617의 독립적인 필터 알고리즘 선택 . 이 가정은 거의 모든 실제 데이터 집합에 대 한 진정한 보유 하지 않습니다, 비록 추론 필터 규칙에서 잘 수행 많은 경우, 예를 들어, mRMR (최소 중복 및 최대 관련성) 알고리즘, Wilcoxon 테스트 기반 기능 필터링 (WRank) 알고리즘, 및 ROC (수신기 작동 특성) 플롯 (ROCRank)를 필터링 알고리즘을 기반 으로합니다. mRMR, 그것은 훨씬 더 작은 문제, 각각의 두 개의 변수를 포함, 최대 종속성 기능 선택 알고리즘 비교의 시리즈와 조합 추정 문제에 근접 하기 때문에 효율적인 필터 알고리즘은 고 따라서 더 강력한18,19는 없음을 공동 확률을 사용 합니다. 그러나, mRMR 수로 관련성, 증가 시킬 수 있으며 따라서 개별적으로 쓸모 있지만 결합 하는 경우에 유용 일부 기능 조합을 그리 워 기능 간의 상호 작용을 측정 하지 않습니다 일부 기능의 유용성 과소 평가. WRank 알고리즘을 어떻게 구별 기능 샘플, 두 클래스 사이의 이며 outliers20,21의 견고성에 대 한 알려져 있다 비패라메트릭 점수를 계산 합니다. 또한, ROCRank 알고리즘은 얼마나 중요 한 특정 기능 영역 ROC에서 곡선 (AUC)은 조사 이진 분류 성능22,23평가 합니다.
다른 한편으로, 래퍼 기능 하위 집합, 반복적으로 추론 규칙에 의해 생성 된 미리 정의 된 분류자의 성능을 평가 하 고 최고의 성능을 측정24기능 하위 집합을 만듭니다. 래퍼는 일반적으로 분류 성능에서 필터를 능가 하지만 느린25을 실행 됩니다. 임의 숲 정례화 (RRF)26,27 알고리즘 각 무작위 포리스트 노드, 누구의 기능 중요성 점수 Gini 색인에 의해 평가에서 학습 데이터의 하위 집합에서 기능을 평가 하 여 욕심이 규칙을 사용 하는 예를 들어 . 새로운 기능에 대 한 선택의 정보 이득 선택 기능을 개선 되지 않으면 처벌 될 것 이다. Microarrays (PAM)28,29 알고리즘 또한 래퍼 알고리즘에 대 한 예측 분석 클래스 레이블의 각 한 중심을 계산 하 고 전체 향해 진 중심을 축소 하는 기능을 선택 하는 또한, 클래스 중심입니다. 팸은 외곽 특징에 대 한 강력한입니다.
상위 분류 성능 가진 여러 솔루션은 어떤 주어진 데이터 집합 필요할 수 있습니다. 첫째, 결정적 알고리즘의 최적화 목표는 반드시 생물 학적 샘플에 적합 하지 않습니다는 수학 공식, 예를 들어, 최소 오류 속도30에 의해 정의 됩니다. 둘째, dataset 여러 비슷한 또는 심지어 동일 공연으로 크게 다른 솔루션을 할 수 있습니다. 거의 모든 기존 기능 선택 알고리즘 무작위로 출력31이러한 솔루션 중 하나를 선택 합니다.
이 연구는 어떤 주어진된 이진 분류 데이터 집합에 대 한 비슷한 공연을 여러 기능 선택 솔루션을 생성 하기 위한 정보 분석 프로토콜을 소개 합니다. 가장 생물 의학 연구원 informatic 기술 또는 컴퓨터 코딩에 익숙하지 않은 고려 하면, 사용 하기 쉬운 그래픽 사용자 인터페이스 (GUI) 생물 의학 이진 분류 데이터의 신속한 분석을 촉진 하기 위하여 개발 되었다. 데이터 로드 및 요약, 매개 변수 튜닝, 파이프라인 실행 및 결과 해석 분석 프로토콜에 의하여 이루어져 있다. 간단한 클릭으로, 연구원은 바이오 마커 하위 집합 및 게시-품질 시각화 플롯을 생성할 수 있게. 프로토콜은 두 개의 이진 분류 데이터 집합의 급성 림프 구성 백혈병 (ALL), 즉, ALL1 및 ALL212의 transcriptomes를 사용 하 여 테스트 되었습니다. ALL1 및 ALL2 데이터 집합 광범위 한 연구소 게놈 데이터 분석 센터에서 http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi에서 다운로드 했다. ALL1에는 12,625 기능 128 샘플을 포함 되어 있습니다. 이 샘플의 95 B-세포는 모두 고 33는 T-세포 모든. ALL2 100 샘플 12,625 기능을 포함합니다. 이 샘플의 있습니다 65 환자는 재발을 고통을 하지 않았다 35 환자. ALL1 4 개의 필터와 4 개의 래퍼 96.7%, 및 10012달성 8 기능 선택 알고리즘의 6의 최소 정확도 쉽게 이진 분류 데이터 집합 했다. ALL2 위의 8 기능 선택 알고리즘 83.7% 정확도12보다 더 나은 달성 더 어려운 데이터 집합 동안. 이 최고의 정확도 56 기능 상관 관계 기반 기능 선택 (CFS) 래퍼 알고리즘에 의해 감지와 함께 달성 했다.

<table><tbody><tr><td>하드웨어</td><td></td><td></td><td></td></tr><tr><td>laptop</td><td>Lenovo</td><td>X1 카본</td><td>모든 컴퓨터가 작동합니다. 권장 최소 구성: 1GB 추가 하드 디스크 공간, 1GB 메모리, 2.0MHz CPU</td></tr><tr><td>Name</td><td>Company</td><td>카탈로그 번호</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>모든 Python 프로그래밍 및 실행 환경은 Python 버전 3.0 이상을 지원합니다</td></tr></tbody></table>.

마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

바이오 마커 검출 높은 처리량 'omics' 연구자에 대 한 생물 더 중요 한 질문 중 하나 이며 특정된 데이터 집합에 대 한 최적화 된 성능 측정 한 biomarker 하위 집합을 생성 하는 거의 모든 기존 바이오 마커 검출 알고리즘 . 그러나, 최근 연구도 동일 또는 유사 하 게 효과적 분류 공연 여러 바이오 마커 하위 집합의 존재 증명. 이 프로토콜은 이진 분류 공연, 사용자 정의 자르기 보다 더 하위 집합 바이오 마커 검출을 위한 간단 하 고 간단한 방법론을 선물 한다. 데이터 준비 및 로드, 초기 정보 요약, 매개 변수 조정, 바이오 마커 검사, 결과 시각화 및 해석, 바이오 마커 유전자 주석, 및에 결과 및 시각화 수출의 프로토콜 구성 출판 품질입니다. 제안 된 바이오 마커 전략 스크리닝 직관적 이며 바이오 마커 검출 알고리즘 개발에 대 한 일반적인 규칙을 보여 줍니다. 사용자 친화적인 그래픽 사용자 인터페이스 (GUI) 프로그래밍 언어 파이썬, 생물 의학 연구원은 그들의 결과에 직접 액세스할 수 있도록 사용 하 여 개발 되었다. 소스 코드와 kSolutionVis의 설명서는 http://www.healthinformaticslab.org/supp/resources.php에서 다운로드할 수 있습니다.

이 워크플로 (그림 6)의 목표는 이진 분류 데이터 집합에 대 한 유사한 효율성으로 여러 바이오 마커 하위 집합을 검색 하는입니다. 전체 과정은 두 개의 예제 데이터 집합 ALL1 및 ALL2 최근 출판 바이오 마커 검출에서 추출 연구12,48에 의해 나와 있습니다. 사용자는 보조 자료에 지시에 따라 kSolutionVis를 설치할 수 있습니다.
데이터 집합 ALL1 95 B-세포와 33 T-세포의 12 625 transcriptomic 기능 모든 환자의 혈액 샘플 프로 파일링. 그러나 dataset ALL2 감지 식 레벨 65 12 625 transcriptomic 기능 하지 않았다 모든 환자는 치료 후에...

기존 알고리즘 바이오 마커 검출 데이터 집합에 대 한 하나의 솔루션을 생성합니다. 이 프로토콜의 여러 마찬가지로 효과적인 솔루션의 존재 및 고 생물 의학 연구원 제안된 과제에 대 한 데이터 세트를 조사 수 있도록 사용자 친화적인 소프트웨어를 제공. 컴퓨터 과학자 들은 팬 들은이 기능에 그들의 바이오 마커 검출 알고리즘의 정보를 제공할 수도 있습니다.

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

이 측정은 여러 솔루션을 생성하는 것에 관하여 생물 의학 탐지 필드에 있는 중요한 질문에 대답하는 것을 도울 수 있습니다. 이 기술의 주요 장점은 여러 기능의 검출에 생물 의학 연구원을 지원하기위한 사용자 친화적 인 그래픽 사용자 인터페이스를 제공한다는 것입니다. 먼저 데이터 매트릭스 및 클래스 레이블을 소프트웨어에 로드합니다.로드 데이터 행렬을 클릭하여 사용자에게 지정된 데이터 메트릭 파일을 선택하고 클래스 레이블을 로드하여 해당 클래스 레이블 파일을 선택합니다. 상위 순위 기능 수의 클래스 레이블을 확인하려면 적절한 드롭다운 박스에서 양수 및 음수 클래스의 이름을 선택하고 기능 하위 집합의 포괄적인 화면을 위해 상단 X 드롭 다운 박스의 상위 상위 기능 수로 10을 선택합니다. 다양한 성능에 대한 시스템 파라미터를 조정하려면 선택한 익스트림 러닝 머신 분류기에 대한 정확도 균형 조정 상자로 성능 측정 정확도를 선택합니다.그런 다음 성능 컷오프 입력 상자에서 지정된 성능 측정에 대해 0.7의 컷오프 값을 선택합니다. 파이프라인을 실행하려면 성능 측정의 기본 값이 차단되면 분석하고 0.7을 선택합니다. 그리고, 10 최고의 기능 하위 집합의 기본 번호로.그런 다음 소프트웨어에서 감지한 기능을 수집하고 해석합니다. 소프트웨어에서 감지한 최상의 분류 성능으로 하위 집합의 상위 10개 기능의 3D 분산 플롯을 생성하려면 F1, F2 및 F3 축으로 세 가지 기능의 순위를 사용하여 피처 하위 집합의 세 가지 기능을 분석하고 정렬합니다. 성능 차단 값을 0.7로 변경하고 분석을 클릭하여 성능 차단 성능 측정 값보다 크거나 동일한 피쳐 하위 집합의 3D 분산 플롯을 생성합니다.그런 다음 3D 튜닝을 클릭하여 3D 분산 플롯의 시야각을 수동으로 튜닝할 새 창을 열고 감지된 피쳐 하위 집합의 중복성을 줄입니다. DNA 및 단백질 서열 수준에서 유전자에 알리려면, 데이비드 데이터베이스 웹 페이지를 열고 유전자 ID 변환 링크를 클릭하여 준비된 데이터 세트의 제1 바이오마커 하위 집합의 기능 ID를 입력합니다. 유전자 목록 링크를 클릭하고 제출 목록을 클릭하여 관심 있는 주석을 검색하고 유전자 목록을 표시하여 유전자 기호 목록을 가져옵니다.다음으로 GeneCard 데이터베이스 웹 페이지를 열고 관심 유전자의 이름을 데이터베이스 쿼리 입력 상자에 입력하여 이 유전자의 주석을 찾습니다. 남자 데이터베이스에 있는 온라인 Mendeli

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

Research

연구

JoVE Journal

Cancer Research

암 연구

주성분 분석 (PCA) 등의 다변량 기술은 기능적 뇌 영상에서 지역 변화의 서명 패턴을 식별하는 데 사용되었습니다. 우리는 퇴행성 신경 질환의 진단, 질병의 진행 평가, 환자 집단에서 치료 효과를 객관적으로 평가를 재현 네트워크 생체를 식별하는 알고리즘을 개발했습니다.

신경 영상 데이터를 사용하여 질병과 관련된 공간 공분산 패턴의 식별

이 방법론은 온화한 인식 손상 때문에 손해를 입기 위하여 인구 단을 표적으로 하고 질병의 비용 효과적인 선택적인 검열을 위해 유용하다 는 결정 나무를 생성합니다.

경도 인지 장애의 효율적인 선택적 스크리닝을 설계하는 기계 학습 접근 방식

LEfSe (LDA 효과 크기)는 미생물 데이터에서 둘 이상의 그룹을 유의하게 특성화하는 게놈 특징 (예 : 유전자, 경로 및 분류법)을 확인하기 위해 고차원 바이오마커 마이닝을위한 도구입니다.

마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(LEfSe)에 의한 바이오마커 보조 선택

여기에서는 전사체 데이터를 mqTrans 보기로 변환하여 다크 바이오마커를 식별할 수 있는 프로토콜을 소개합니다. 기존의 전사체 분석에서는 차등적으로 발현되지 않지만, 이러한 바이오마커는 mqTrans 보기에서 차등 발현을 나타냅니다. 이 접근법은 전통적인 방법을 보완하는 기술 역할을 하며, 이전에 간과되었던 바이오마커를 밝혀냅니다.

작은 데이터 세트에서 예측 작업 및 다크 바이오마커 검출을 위한 전사체 특징의 전사체 조절 보기 생성

여기 선물이 주소 드롭릿 microarrays (Adm), 작은 물방울 배열 기반 메서드 단일 셀에 절대 단백질 풍부를 확인할 수 있습니다. Adm의 기능 인간 암 세포 선에서 종양 억제기 단백질 p53의 표현에이 특성을 설명 합니다.

주소 지정이 가능한 물방울 Microarrays 단일 셀에서 단백질을 계산

복 강경 pancreatoduodenctomy (LPD) 이점이 초기 수술 후 동원, 더 적은 포함 한 오픈 pancreatoduodenectomy 지연 위 비우는 및 더 짧은 병원 체재를 제공할 수 있습니다. 그러나, LPD 이며 기술적으로 도전 잘 표준화 된, 특히 췌 장 문 합에 관한. LPD 동안 췌 장 문 합에 대 한 표준화 된 기술 설명: Blumgart pancreaticojejunostomy를 수정.

수정 된 Blumgart Pancreaticojejunostomy와 복 강경 Pancreatoduodenectomy

여기 우리가 사용 발광, x 선, 그리고 양전자 방출 단층 촬영/컴퓨터 단층 촬영 이미징 공부 어떻게 억제 mTOR 활동 영향이 종이 식 모델에서 골 engrafted 발성 종양. 이로써 순수 관련, 비-침략 적, 및 복합 요법 골 engrafted 발성 종양에서 vivo에서대상의 안티 발성 효과의 분석.

다 발성 골 수 Xenografts 노 그 쥐에서의 복합 발광 및 양자 방출 단층 촬영/컴퓨터 단층 촬영 영상

여기, 세포 수준에서 단백질 인 산화 이벤트의 중간-높은 처리량 분석을 위한 프로토콜 제공 됩니다. 인 cytometry 신호 차 특성, 식별 바이오 마커, 유효성을 검사 하 고 pharmacodynamics를 평가 하는 강력한 접근 이다.

신호 분석 및 바이오 마커 발견 하는 단일 셀에 대 한 형광 셀 바코드와 인 Cytometry

이 원고는 단일 벽 탄소 나노튜브 (SWCNT)의 합성에 설명 합니다-는 SWCNT의 안정적인 납품과의 강력한 치료 효과 보여 주는 MALAT1 센스 gapmer DNA oligonucleotide (SWCNT-안티-MALAT1) 활용 안티-MALAT1 생체 외에서 그리고 vivo. 합성, 수정, 활용, 사용 하는 방법 그리고 주입 SWCNT-안티-MALAT1의 설명.

단일 벽 탄소 나노튜브 (SWCNT)에 의해 생체 내에서 여러 Myeloma 세포 성장 억압-MALAT1 센스 Oligos 전달

여기서, 우리는 공개적으로 접근 가능한 다양 한 데이터베이스 로부터 도출 된 풀링된 임상 데이터 세트의 종합적인 분석을 기반으로 유방암의 바이오 마커 및 생존 예측 인자를 탐구 하는 프로토콜을 제시 하 고, 발현, 상관관계 및 생존 분석 단계.

여러 공개적으로 접근 가능한 데이터베이스를 사용 하 여 유방암에서 바이오 마커의 데이터 마이닝 및 통합 분석 수행

학습하세요 바이오마커 데이터셋에서 다중 특징 하위 집합을 식별하는 사용자 친화적 소프트웨어 인터페이스를 활용한 계산적 방법을 통해 생의학 연구자들이 정확도와 효율성을 높여 바이오마커 검출을 개선할 수 있습니다.

마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택

더 많은 동영상 탐색