Name: Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화 (동영상) | JoVE Journal
Uploaded: 2025-07-22T13:30:00.000+00:00
Duration: 6 min 19 s
Description: 배우세요 Mime 기반 머신러닝 프레임워크를 활용한 질병 관련 유전자 예측 모델 구축 및 시각화 방법을. 고성능 예측 모델 개발과 통합 비교 분석이 가능합니다.

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>패키지 이름</td><td>버전</td><td>소프트웨어</td><td></td></tr><tr><td>플롯</td><td>0.1.10</td><td>R 스튜디오</td><td></td></tr><tr><td>바트</td><td>2.9.4</td><td>R 스튜디오</td><td></td></tr><tr><td>보루타</td><td>8.0.0</td><td>R 스튜디오</td><td></td></tr><tr><td>암클래스</td><td>1.38.0</td><td>R 스튜디오</td><td></td></tr><tr><td>캐럿</td><td>6.0-89</td><td>R 스튜디오</td><td></td></tr><tr><td>Ckmeans.1d.dp</td><td>4.3.5</td><td>R 스튜디오</td><td></td></tr><tr><td>비교C</td><td>1.3.2</td><td>R 스튜디오</td><td></td></tr><tr><td>컴플렉스 히트맵</td><td>2.15.1</td><td>R 스튜디오</td><td></td></tr><tr><td>작곡</td><td>2.0-4</td><td>R 스튜디오</td><td></td></tr><tr><td>데이터.테이블</td><td>1.14.0</td><td>R 스튜디오</td><td></td></tr><tr><td>도병렬</td><td>1.0.16</td><td>R 스튜디오</td><td></td></tr><tr><td>디플리르</td><td>1.1.3</td><td>R 스튜디오</td><td></td></tr><tr><td>1071회</td><td>1.7-7</td><td>R 스튜디오</td><td></td></tr><tr><td>산림 플로터</td><td>1.1.0</td><td>R 스튜디오</td><td></td></tr><tr><td>미래</td><td>1.21.0</td><td>R 스튜디오</td><td></td></tr><tr><td>GBM</td><td>2.1.8.1</td><td>R 스튜디오</td><td></td></tr><tr><td>그브레이크</td><td>0.1.1</td><td>R 스튜디오</td><td></td></tr><tr><td>ggplot2</td><td>3.4.1</td><td>R 스튜디오</td><td></td></tr><tr><td>ggpubr</td><td>0.4.0</td><td>R 스튜디오</td><td></td></tr><tr><td>ggsci</td><td>2.9</td><td>R 스튜디오</td><td></td></tr><tr><td>GLMNET</td><td>4.1-2</td><td>R 스튜디오</td><td></td></tr><tr><td>그리드</td><td>4.1.3</td><td>R 스튜디오</td><td></td></tr><tr><td>그리드 엑스트라</td><td>2.3</td><td>R 스튜디오</td><td></td></tr><tr><td>GSEA베이스</td><td>1.54.0</td><td>R 스튜디오</td><td></td></tr><tr><td>GSVA</td><td>1.40.1</td><td>R 스튜디오</td><td></td></tr><tr><td>Hmisc</td><td>5.1-1</td><td>R 스튜디오</td><td></td></tr><tr><td>kknn</td><td>1.3.1</td><td>R 스튜디오</td><td></td></tr><tr><td>니트</td><td>1.42</td><td>R 스튜디오</td><td></td></tr><tr><td>마그리트</td><td>2.7.2</td><td>R 스튜디오</td><td></td></tr><tr><td>행렬</td><td>1.5-4</td><td>R 스튜디오</td><td></td></tr><tr><td>메타</td><td>5.2-0</td><td>R 스튜디오</td><td></td></tr><tr><td>기타 도구</td><td>0.6-28</td><td>R 스튜디오</td><td></td></tr><tr><td>믹스오믹스</td><td>6.18.1</td><td>R 스튜디오</td><td></td></tr><tr><td>믹스툴</td><td>1.2.0</td><td>R 스튜디오</td><td></td></tr><tr><td>pb적용</td><td>1.4-3</td><td>R 스튜디오</td><td></td></tr><tr><td>plsRcox</td><td>1.7.7</td><td>R 스튜디오</td><td></td></tr><tr><td>프로시저</td><td>1.18.0</td><td>R 스튜디오</td><td></td></tr><tr><td>R</td><td>4.1.3</td><td>R 스튜디오</td><td></td></tr><tr><td>랜덤포레스트SRC</td><td>4.6-14</td><td>R 스튜디오</td><td></td></tr><tr><td>읽기</td><td>1.4.0</td><td>R 스튜디오</td><td></td></tr><tr><td>조리법</td><td>0.1.17</td><td>R 스튜디오</td><td></td></tr><tr><td>모양 변경2</td><td>1.4.4</td><td>R 스튜디오</td><td></td></tr><tr><td>r마크다운</td><td>2.8</td><td>R 스튜디오</td><td></td></tr><tr><td>ROCit</td><td>2.1.1</td><td>R 스튜디오</td><td></td></tr><tr><td>ROCR</td><td>1.0-11</td><td>R 스튜디오</td><td></td></tr><tr><td>저울</td><td>1.2.1</td><td>R 스튜디오</td><td></td></tr><tr><td>참새</td><td>1.0.3</td><td>R 스튜디오</td><td></td></tr><tr><td>스트링거</td><td>1.5.0</td><td>R 스튜디오</td><td></td></tr><tr><td>슈퍼PC</td><td>1.12</td><td>R 스튜디오</td><td></td></tr><tr><td>생존</td><td>3.3-1</td><td>R 스튜디오</td><td></td></tr><tr><td>생존ROC</td><td>1.0.3</td><td>R 스튜디오</td><td></td></tr><tr><td>생존SVM</td><td>0.0.5</td><td>R 스튜디오</td><td></td></tr><tr><td>SVA</td><td>3.40.0</td><td>R 스튜디오</td><td></td></tr><tr><td>test해당</td><td>3.1.0</td><td>R 스튜디오</td><td></td></tr><tr><td>티블</td><td>3.2.1</td><td>R 스튜디오</td><td></td></tr><tr><td>정리</td><td>1.3.0</td><td>R 스튜디오</td><td></td></tr><tr><td>정리</td><td>1.3.1</td><td>R 스튜디오</td><td></td></tr><tr><td>업셋R</td><td>1.4.0</td><td>R 스튜디오</td><td></td></tr><tr><td>비리디스</td><td>0.6.1</td><td>R 스튜디오</td><td></td></tr></tbody></table>

mime-based machine-learning framework를 사용한 모델 구축 및 시각화

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

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 ...

Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화

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

연구

JoVE Journal

Engineering

공학

컴퓨터에서 생성된 모델로 재키 용이를 사용하여 자극합니다.

컴퓨터가 만든 동물 모델 자극

우리는 정확하게 정의 된 기능 변화와 자연 3-D 개체와 개체 카테고리를 만들기위한 새로운 방법을 설명합니다. 우리는 morphogenesis 다음 Visual 이미지 나 haptic 개체로 렌더링 할 수있는 소설, 자연 가상 3-D 개체와 개체 카테고리를 만들 계통 발생 론의 생물학적 과정의 시뮬레이션을 사용합니다.

지각과 지각 학습 유학을위한 객체와 객체 카테고리 만들기

우리는 우리가 전화 최소한 침략 적 근육 포함 (MIME), 골격 근육 조직 기증자 세포 중재 하는 myogenesis로 이식 때 용이 하 게 수 있는 가능한 조직적 셀을 포함 하는 증거에 근거 하는 소설 실험 기법을 설명 호스트 근육입니다.

최소한 침략 적 근육 (MIME) 포함-기증자 세포 중재 하는 Myogenesis를 촉진 하기 위하여 새로운 실험 기법

이 프로토콜은 전자 현미경 검사 법 그리고 confocal 현미경 검사 법 심상에서 cardiomyocytes의 세포내 구조의 공간적 상세한 유한 요소 모델을 생성 하는 새로운 방법을 설명 합니다. 이 공간 세부 모델의 파워는 칼슘 신호 및 생체에서 사례 연구를 사용 하 여 보여 줍니다.

Cardiomyocyte 시스템 생물학에서 세포 아키텍처의 역할을 연구 하기 Cardiomyocyte의 구조적으로 현실적인 유한 요소 형상 모델 생성

생체 분자 모델링의 핵심 기술은 단백질에 활성 부위를 표시하고 표시하는 것입니다. 이 기술은 매크로 분자 시각화를위한 네 가지 인기있는 무료 프로그램을 사용하여 입증된다 : iCn3D, Jmol, PyMOL, UCSF ChimeraX.

분자 시각화 프리웨어를 사용하여 효소 활성 사이트 모델링

이 문서에서는 고정된 세포의 형광 현미경 이미지에서 미토콘드리아 형태를 분석하기 위해 시뮬레이션 지도 기계 학습을 사용하는 방법을 설명합니다.

시뮬레이션 지도 학습을 통한 미토콘드리아 형태 분석

이 논문은 임의의 새로운 물리 모델에 대한 보수 및 적극적인 한계에 실험 단순화 된 모델의 한계를 개주를위한 프로토콜을 보여줍니다. 공개 LHC 실험 결과는 초대칭 같은 서명 거의 모든 새로운 물리 모델에 대한 제한으로이 방식으로 재조명 할 수 있습니다.

단순화 된 모델을 사용하여 초대칭에 대한 제한 설정

실리콘 계면의 표면 도핑에 대한 자세한 절차가 제공됩니다. 매우 얕은 표면 도핑은 인을 함유한 단층과 신속한 어닐링 공정을 사용하여 입증됩니다. 이 방법은 거시적 영역 표면과 나노 구조의 도핑에 사용할 수 있습니다.

유기 화합물을 사용하여 실리콘 표면과 나노 와이어의 단층 연락 도핑

우리는 압전 보조 마찰 계와 광학 프로필로미터를 사용하여 선속도, 접촉 압력 및 표면 특성에 대한 초음파 마모 및 마찰 감소의 의존성을 조사하기 위한 프로토콜을 제시합니다.

초음파 윤활에 대한 실험은 압전 이용한 마찰 계 및 광학 프로파일로 사용

박막의 확산 그라데이션 (DGT)의 기술은 플루토늄의 분화 연구에 대한 제안한다. 이 프로토콜은 유기물의 존재 하에서 우레탄 (IV) 및 우레탄 (V)의 동작을 프로빙 확산 실험을 설명한다. 카르스트 봄에 배치 DGTs는 푸의 생체 이용률의 평가를 할 수 있습니다.

박막의 확산을 사용하여 환경 플루토늄의 분화 및 생체 이용률 측정

배우세요 Mime 기반 머신러닝 프레임워크를 활용한 질병 관련 유전자 예측 모델 구축 및 시각화 방법을. 고성능 예측 모델 개발과 통합 비교 분석이 가능합니다.

Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화

더 많은 동영상 탐색