Method Article

Wybór wielu podzbiorów biomarkerów o podobnie skutecznych wynikach klasyfikacji binarnej

DOI:

10.3791/57738

⸱

October 11th, 2018

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1College of Computer Science and Technology, and Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, 2College of Software, Jilin University, 3Ultrasonography Department, China-Japan Union Hospital of Jilin University, 4Department of Pathogenobiology, College of Basic Medical Science, Jilin University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Istniejące algorytmy generują jedno rozwiązanie dla zestawu danych do wykrywania biomarkerów. Protokół ten pokazuje istnienie wielu podobnie skutecznych rozwiązań i przedstawia przyjazne dla użytkownika oprogramowanie, które pomaga naukowcom biomedycznym badać swoje zestawy danych pod kątem proponowanego wyzwania. Informatycy mogą również zapewnić tę funkcję w swoich algorytmach wykrywania biomarkerów.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wykrywanie biomarkerów jest jednym z ważniejszych zagadnień biomedycznych dla wysokoprzepustowych badaczy "omiki", a prawie wszystkie istniejące algorytmy wykrywania biomarkerów generują jeden podzbiór biomarkerów ze zoptymalizowanym pomiarem wydajności dla danego zestawu danych. Jednak niedawne badanie wykazało istnienie wielu podzbiorów biomarkerów o podobnie skutecznych lub nawet identycznych wynikach klasyfikacji. Protokół ten przedstawia prostą i nieskomplikowaną metodologię wykrywania podzbiorów biomarkerów z binarnymi parametrami klasyfikacji, lepszą niż zdefiniowana przez użytkownika wartość odcięcia. Protokół składa się z przygotowania i wczytywania danych, podsumowania informacji wyjściowych, dostrajania parametrów, badania przesiewowego biomarkerów, wizualizacji i interpretacji wyników, adnotacji genów biomarkerów oraz eksportu wyników i wizualizacji w jakości publikacji. Proponowana strategia badań przesiewowych biomarkerów jest intuicyjna i przedstawia ogólną zasadę opracowywania algorytmów wykrywania biomarkerów. Przyjazny dla użytkownika graficzny interfejs użytkownika (GUI) został opracowany przy użyciu języka programowania Python, dzięki czemu badacze zajmujący się biomedycyną mają bezpośredni dostęp do swoich wyników. Kod źródłowy i instrukcję kSolutionVis można pobrać ze strony http://www.healthinformaticslab.org/supp/resources.php.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Klasyfikacja binarna, jeden z najczęściej badanych i najtrudniejszych problemów eksploracji danych w obszarze biomedycznym, jest wykorzystywana do budowy modelu klasyfikacyjnego wytrenowanego na dwóch grupach próbek o najdokładniejszej zdolności rozróżniania1,2,3,4,5,6,7. Jednak duże dane generowane w dziedzinie biomedycyny mają nieodłączny paradygmat "duże p małe n", z liczbą cech zwykle znacznie większą niż liczba próbek6,8,9. W związku z tym badacze biomedyczni muszą zmniejszyć wymiar cechy przed zastosowaniem algorytmów klasyfikacji, aby uniknąć problemu nadmiernego dopasowania8,9. Biomarkery diagnostyczne definiuje się jako podzbiór wykrytych cech oddzielających pacjentów z daną chorobą od zdrowych próbek kontrolnych10,11. Pacjenci są zwykle definiowani jako próbki dodatnie, a zdrowe grupy kontrolne są definiowane jako próbki ujemne12.

Ostatnie badania sugerują, że istnieje więcej niż jedno rozwiązanie o identycznych lub podobnie skutecznych parametrach klasyfikacyjnych dla zbioru danych biomedycznych5. Prawie wszystkie algorytmy wyboru funkcji są algorytmami deterministycznymi, tworzącymi tylko jedno rozwiązanie dla tego samego zestawu danych. Algorytmy genetyczne mogą jednocześnie generować wiele rozwiązań o podobnych parametrach, ale nadal starają się wybrać jedno rozwiązanie z najlepszą funkcją dopasowania jako dane wyjściowe dla danego zbioru danych13,14.

Algorytmy wyboru funkcji mogą być z grubsza pogrupowane jako filtry lub opakowania12. Algorytm filtrowania wybiera pierwsze k cech uszeregowanych według ich znaczącego indywidualnego powiązania z etykietami klas binarnych w oparciu o założenie, że cechy są od siebie niezależne15,16,17. Chociaż to założenie nie jest prawdziwe w przypadku prawie wszystkich rzeczywistych zestawów danych, reguła filtrowania heurystycznego działa dobrze w wielu przypadkach, na przykład algorytm mRMR (minimalna nadmiarowość i maksymalna istotność), algorytm filtrowania cech oparty na teście Wilcoxona (WRank) oraz algorytm filtrowania opartego na wykresie ROC (Receiver operating characteristic) (ROCRank). mRMR, jest wydajnym algorytmem filtrującym, ponieważ przybliża problem estymacji kombinatorycznej za pomocą serii znacznie mniejszych problemów, w porównaniu z algorytmem wyboru cech maksymalnej zależności, z których każdy obejmuje tylko dwie zmienne, a zatem wykorzystuje łączne prawdopodobieństwa parami, które są bardziej solidne18,19. Jednak mRMR może nie doceniać użyteczności niektórych funkcji, ponieważ nie mierzy interakcji między cechami, które mogą zwiększyć trafność, a tym samym pomija niektóre kombinacje cech, które są indywidualnie bezużyteczne, ale są przydatne tylko po połączeniu. Algorytm WRank oblicza nieparametryczny wynik rozróżniania cechy między dwiema klasami próbek i jest znany ze swojej odporności na wartości odstające20,21. Ponadto algorytm ROCRank ocenia, jak istotny jest obszar pod krzywą ROC (AUC) danej cechy dla badanej wydajności klasyfikacji binarnej22,23.

Z drugiej strony, opakowanie ocenia wydajność predefiniowanego klasyfikatora danego podzbioru cech, iteracyjnie generowanego przez regułę heurystyczną, i tworzy podzbiór cech z najlepszym pomiarem wydajności24. Opakowanie zazwyczaj przewyższa filtr pod względem wydajności klasyfikacji, ale działa wolniej25. Na przykład algorytm Regularized Random Forest (RRF)26,27 wykorzystuje regułę zachłanności, oceniając cechy w podzbiorze danych treningowych w każdym losowym węźle lasu, którego wyniki ważności funkcji są oceniane przez indeks Giniego. Wybór nowej funkcji zostanie ukarany, jeśli jej pozyskanie informacji nie poprawi wyników wybranych funkcji. Ponadto algorytm Prediction Analysis for Microarrays (PAM)28,29, również algorytm opakowujący, oblicza centroid dla każdej z etykiet klas, a następnie wybiera cechy, aby zmniejszyć centroidy genów w kierunku centroidu całej klasy. PAM jest niezawodny dla obiektów odstających.

Dla każdego danego zestawu danych może być konieczne wiele rozwiązań o najwyższej wydajności klasyfikacji. Po pierwsze, cel optymalizacyjny algorytmu deterministycznego jest zdefiniowany za pomocą wzoru matematycznego, np. minimalny poziom błędów30, co niekoniecznie jest idealne dla próbek biologicznych. Po drugie, zbiór danych może zawierać wiele, znacznie różniących się od siebie rozwiązań o podobnej efektywnej lub nawet identycznej wydajności. Prawie wszystkie istniejące algorytmy wyboru cech losowo wybierają jedno z tych rozwiązań jako output31.

To badanie wprowadzi protokół analityczny do generowania wielu rozwiązań wyboru cech o podobnych parametrach dla dowolnego zestawu danych klasyfikacji binarnej. Biorąc pod uwagę, że większość badaczy biomedycznych nie jest zaznajomiona z technikami informatycznymi ani kodowaniem komputerowym, opracowano przyjazny dla użytkownika graficzny interfejs użytkownika (GUI), aby ułatwić szybką analizę biomedycznych zestawów danych klasyfikacji binarnej. Protokół analityczny składa się z ładowania i podsumowywania danych, dostrajania parametrów, wykonywania potoku i interpretacji wyników. Za pomocą jednego kliknięcia badacz jest w stanie wygenerować podzbiory biomarkerów i wykresy wizualizacji o jakości publikacji. Protokół został przetestowany przy użyciu transkryptomów dwóch binarnych zestawów danych klasyfikacyjnych ostrej białaczki limfoblastycznej (ALL), tj. ALL1 i ALL212. Zestawy danych ALL1 i ALL2 zostały pobrane z Centrum Analizy Danych Genomu Broad Institute, dostępnego pod adresem http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 zawiera 128 próbek z 12 625 cechami. Spośród tych próbek 95 to ALL z komórek B, a 33 to ALL z komórek T. ALL2 zawiera 100 próbek z 12 625 cechami. Spośród tych próbek jest 65 pacjentów, u których doszło do nawrotu choroby, i 35 pacjentów, u których nie wystąpił. ALL1 był łatwym zestawem danych do klasyfikacji binarnej, z minimalną dokładnością czterech filtrów i czterech opakowań wynoszącą 96,7%, a 6 z 8 algorytmów wyboru cech osiągnęło 100%12. Podczas gdy ALL2 był trudniejszym zbiorem danych, a powyższe 8 algorytmów wyboru cech osiągnęło dokładność nie lepszą niż 83,7%12. Ta najlepsza dokładność została osiągnięta przy użyciu 56 cech wykrytych przez algorytm opakowania, Correlation-based Feature Selection (CFS).

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

UWAGA: Poniższy protokół opisuje szczegóły procedury analitycznej informatyki i pseudokodów głównych modułów. System automatycznej analizy został opracowany przy użyciu Pythona w wersji 3.6.0 i modułów Pythona pandas, abc, numpy, scipy, sklearn, sys, PyQt5, sys, mRMR, math i matplotlib. Materiały użyte w tym opracowaniu są wymienione w Tabeli Materiałów.

1. Przygotuj etykiety Data Matrix i Class

  1. Przygotuj plik macierzy danych jako plik macierzy rozdzielany TAB lub przecinkami, jak pokazano w Rysunek 1A.
    UWAGA: Każdy wiersz zawiera wszystkie wartości obiektu, a pierwszym elementem jest nazwa obiektu. Cecha jest identyfikatorem zestawu danych transkryptomu opartego na mikromacierzy lub może być innym identyfikatorem wartości, takim jak reszta cysteiny z jej wartością metylacji w zestawie danych metylomicznych. Każda kolumna podaje wartości cech danej próbki, przy czym pierwszym elementem jest nazwa próbki. Wiersz jest podzielony na kolumny za pomocą TAB (Rysunek 1B) lub przecinka (Rysunek 1C). Plik macierzy rozdzielany tabulatorami jest rozpoznawany przez rozszerzenie pliku tsv, a plik macierzy rozdzielany przecinkami ma rozszerzenie .csv. Ten plik może zostać wygenerowany przez zapisanie macierzy w formacie .tsv lub .csv z oprogramowania, takiego jak Microsoft Excel. Macierz danych może być również generowana przez kodowanie komputerowe.
  2. Przygotuj plik etykiety klasy jako plik macierzy rozdzielany tabulatorami lub przecinkami (Rysunek 1D), podobny do pliku macierzy danych.
    UWAGA: Pierwsza kolumna zawiera nazwy próbek, a etykieta klasy każdej próbki jest podana w kolumnie zatytułowanej Klasa. W procesie kodowania brana jest pod uwagę maksymalna zgodność, dzięki czemu można dodać dodatkowe kolumny. Plik etykiety klasy może być sformatowany jako plik tsv lub .csv. Nazwy w kolumnie Klasa mogą być dowolnymi terminami i mogą istnieć więcej niż dwie klasy próbek. Użytkownik może wybrać dowolne dwie z klas do poniższej analizy.

2. Załaduj etykiety Data Matrix i Class

  1. Załaduj macierz danych i etykiety klas do oprogramowania. Kliknij przycisk Załaduj macierz danych, aby wybrać plik macierzy danych określony przez użytkownika. Kliknij przycisk Załaduj etykiety klas, aby wybrać odpowiedni plik etykiet klas.
    UWAGA: Po załadowaniu obu plików, kSolutionVis przeprowadzi rutynowe badanie zgodności między tymi dwoma plikami.
  2. Podsumuj funkcje i przykłady z pliku macierzy danych. Oszacuj rozmiar pliku macierzy danych.
  3. Podsumuj przykłady i klasy z pliku etykiety klasy. Oszacuj rozmiar pliku etykiety klasy.
  4. Sprawdź, czy każda próbka z macierzy danych ma etykietę klasy. Podsumuj numery próbek za pomocą etykiet klas.

3. Podsumuj i wyświetl podstawowe statystyki zestawu danych

  1. Kliknij przycisk Podsumuj, bez wprowadzania określonych słów kluczowych, a oprogramowanie wyświetli 20 indeksowanych funkcji i odpowiadające im nazwy funkcji.
    UWAGA: Użytkownicy muszą określić nazwę funkcji, którą chcą znaleźć, aby wyświetlić jej podstawowe statystyki i odpowiadający im rozkład wartości wśród wszystkich próbek wejściowych.
  2. Podaj słowo kluczowe, np. "1000_at", w polu tekstowym Funkcja, aby znaleźć konkretną funkcję do podsumowania. Kliknij przycisk Podsumuj, aby uzyskać podstawowe statystyki dla tej funkcji.
    UWAGA: Słowo kluczowe może pojawić się w dowolnym miejscu w nazwach funkcji docelowych, ułatwiając użytkownikom proces wyszukiwania.
  3. Kliknij przycisk Podsumuj, aby znaleźć więcej niż jedną funkcję z podanym słowem kluczowym, a następnie określ unikatowy identyfikator funkcji, aby kontynuować powyższy krok podsumowania jednej konkretnej funkcji.

4. Określ etykiety klas i liczbę najwyżej ocenianych funkcji

  1. Wybierz nazwy klas Pozytywnej ("P (33)") i Negatywnej ("N (95)") w polach rozwijanych Klasa pozytywna i Klasa negatywna, jak pokazano w Rysunek 2 (w środku).
    UWAGA: Sugeruje się wybór zrównoważonego zestawu danych klasyfikacji binarnej, tj. różnica między liczbą próbek dodatnich i ujemnych jest minimalna. Liczba próbek jest również podana w nawiasach po nazwie każdej etykiety klasy w dwóch polach rozwijanych.
  2. Wybierz 10 jako liczbę najwyżej ocenianych funkcji (parametr pTopX) w polu rozwijanym Top_X (?) , aby wyświetlić obszerny ekran podzbioru funkcji.
    UWAGA: Oprogramowanie automatycznie klasyfikuje wszystkie cechy według wartości P obliczonej za pomocą testu t każdej cechy porównującego klasy dodatnie i negatywne. Cecha o mniejszej wartości P ma lepszą zdolność rozróżniania między dwiema klasami próbek. Kompleksowy moduł przesiewowy jest wymagający obliczeniowo. Parametr pTopX ma domyślnie wartość 10. Użytkownicy mogą zmieniać ten parametr w zakresie od 10 do 50, dopóki nie znajdą satysfakcjonujących podzbiorów funkcji o dobrych parametrach klasyfikacji.

5. Dostosuj parametry systemu do różnych parametrów

  1. Wybierz dokładność pomiaru wydajności (pMeasurement) (Acc) w polu rozwijanym Acc/bAcc (?) dla wybranego klasyfikatora Extreme Learning Machine (ELM). Inną opcją tego parametru jest pomiar Balanced Accuracy (bAcc).
    UWAGA: Niech TP, FN, TN i FP będą liczbami odpowiednio wyników prawdziwie dodatnich, fałszywie ujemnych, prawdziwie ujemnych i fałszywie dodatnich. Pomiar Acc jest zdefiniowany jako (TP+TN)/(TP+FN+TN+FP), co działa najlepiej w przypadku zrównoważonego zestawu danych6. Ale klasyfikator zoptymalizowany pod kątem Acc ma tendencję do przypisywania wszystkich próbek do klasy ujemnej, jeśli liczba próbek ujemnych jest znacznie większa niż próbek dodatnich. bAcc definiuje się jako (Sn+Sp)/2, gdzie Sn = TP/(TP+FN) i Sp = TN/(TN+FP) są prawidłowo przewidywanymi wskaźnikami odpowiednio dla próbek dodatnich i ujemnych. W związku z tym bAcc normalizuje wydajność przewidywania dla dwóch klas i może prowadzić do zrównoważonej wydajności przewidywania dla dwóch niezrównoważonych klas. Acc jest domyślnym wyborem pMeasurement. Oprogramowanie domyślnie używa klasyfikatora ELM do obliczania wydajności klasyfikacji. Użytkownik może również wybrać klasyfikator spośród SVM (Support Vector Machine), KNN (k Nearest Neighbor), Decision Tree lub Naïve Bayes.
  2. Wybierz wartość odcięcia 0,70 (parametr pCutoff) dla określonego pomiaru wydajności w polu wejściowym pCutoff:.
    UWAGA: Zarówno Acc, jak i bAcc mieszczą się w zakresie od 0 do 1, a użytkownik może określić wartość pCutofffigure-protocol-1[0, 1] jako punkt odcięcia, aby wyświetlić dopasowane rozwiązania. Oprogramowanie przeprowadza kompleksową analizę podzbiorów funkcji, a odpowiedni wybór pCutoff sprawi, że wizualizacja 3D będzie bardziej intuicyjna i jednoznaczna. Wartość domyślna dla pCutoff to 0,70.

6. Uruchom potok i utwórz INTERAKTYWNE WIZUALIZACJONIZOWANE WYNIKI

  1. Kliknij przycisk Analizuj, aby uruchomić potok i wygenerować wykresy wizualizacji, jak pokazano w Rysunek 2 (na dole).
    UWAGA: Tabela po lewej stronie zawiera wszystkie podzbiory cech i ich pMeasurement obliczone za pomocą 10-krotnej strategii walidacji krzyżowej klasyfikatora ELM, jak opisano wcześniej5. Dla procedury klasyfikowania podzbiorów obiektów generowane są dwa wykresy punktowe 3D i wykresy dwuliniowe z bieżącymi ustawieniami parametrów.
  2. Wybierz 0,70 jako domyślną wartość punktu odcięcia pMeasurement (parametr piCutoff, wartość pola wejściowego) i 10 jako wartość domyślną liczby najlepszych podzbiorów cech (parametr piFSNum).
    UWAGA: Rurociąg jest wykonywany przy użyciu parametrów pTopX, pMeasurement i pCutoff. Wykryte podzbiory cech mogą być dalej filtrowane za pomocą odcięcia piCutoff, jednak piCutoff nie może być mniejszy niż pCutoff. W związku z tym piCutoff jest inicjowany jako pCutoff i wizualizowane będą tylko podzbiory funkcji z pomiarem wydajności ≥ piCutoff. Domyślna wartość piCutoff to pCutoff. Czasami kSolutionVis wykrywa wiele rozwiązań i wizualizowane są tylko najlepsze podzbiory funkcji piFSNum (domyślnie: 10). Jeśli liczba podzbiorów funkcji wykrytych przez oprogramowanie jest mniejsza niż piFSNum, wszystkie podzbiory funkcji zostaną zwizualizowane.
  3. Zbierz i zinterpretuj cechy wykryte przez oprogramowanie, jak pokazano w Rysunek 3.
    UWAGA: Tabela w lewym polu przedstawia wykryte podzbiory funkcji i ich pomiary wydajności. Nazwy pierwszych trzech kolumn to "F1", "F2" i "F3". Trzy obiekty w każdym podzbiorze obiektów są podane w kolejności uszeregowania w jednym wierszu (F1 < F2 < F3). Ostatnia kolumna zawiera pomiar wydajności (Acc lub bAcc) każdego podzbioru cech, a jej nazwa kolumny (Acc lub bAcc) jest wartością pMeasurement.

7. Interpretacja wykresów punktowych 3D - wizualizacja i interpretacja podzbiorów cech z podobnie efektywnymi wynikami klasyfikacji binarnej za pomocą wykresów punktowych 3D

  1. Kliknij przycisk Analizuj, aby wygenerować wykres punktowy 3D 10 pierwszych podzbiorów funkcji z najlepszymi parametrami klasyfikacji (Acc lub bAcc) wykrytymi przez oprogramowanie, jak pokazano na Rysunek 3 (środkowe pole). Posortuj trzy obiekty w podzbiorze obiektów w kolejności rosnącej ich rang i użyj rang trzech obiektów jako osi F1/F2/F3, tj. F1 < F2 < F3.
    UWAGA: Kolor kropki reprezentuje wydajność klasyfikacji binarnej odpowiedniego podzbioru obiektów. Zestaw danych może zawierać wiele podzbiorów funkcji z podobnie skutecznymi pomiarami wydajności. Dlatego konieczny jest interaktywny i uproszczony wykres punktowy.
  2. Zmień wartość na 0,70 w polu wejściowym pCutoff: i kliknij przycisk Analizuj, aby wygenerować wykres punktowy 3D podzbiorów cech z pomiarem wydajności za pomocą ≥ pomiaru wydajności piCutoff, jak pokazano w Rysunek 3 (prawe pole). Kliknij przycisk Dostrajanie 3D, aby otworzyć nowe okno do ręcznego dostrojenia kątów widzenia wykresu punktowego 3D.
    UWAGA: Każdy podzbiór obiektów jest reprezentowany przez kropkę w taki sam sposób, jak powyżej. Diagram punktowy 3D został wygenerowany pod kątem domyślnym. Aby ułatwić wizualizację 3D i strojenie, po kliknięciu przycisku Strojenie 3D otworzy się osobne okno.
  3. Kliknij przycisk Zmniejsz, aby zmniejszyć nadmiarowość wykrytych podzbiorów obiektów.
    UWAGA: Jeśli użytkownicy chcą dalej wybierać tryplety funkcji i zminimalizować nadmiarowość podzbiorów funkcji, oprogramowanie zapewnia również tę funkcję przy użyciu algorytmu wyboru funkcji mRMR. Po kliknięciu przycisku Zmniejsz, kSolutionVis usunie te zbędne cechy w trójkach funkcji i ponownie wygeneruje tabelę oraz dwa wykresy punktowe wymienione powyżej. Usunięte cechy trójek funkcji zostaną zastąpione słowem kluczowym w tabeli. Wartości Brak na osi F1/F2/F3 zostaną oznaczone jako wartość piFSNum (zakres normalnej wartości F1/F2/F3 wynosi [1, top_x]). W związku z tym kropki, które zawierają wartość Brak, mogą wydawać się "odstającymi" kropkami na wykresach 3D. Ręcznie przestrajalne wykresy 3D można znaleźć w sekcji "Ręczne dostrajanie wykresów punktowych 3D" w materiale dodatkowym.

8. Znajdź adnotacje genów i ich powiązania z chorobami ludzkimi

UWAGA: Kroki od 8 do 10 ilustrują, jak dodać adnotację do genu na podstawie sekwencji zarówno DNA, jak i białka. Po pierwsze, symbol genu każdego identyfikatora biomarkera z powyższych kroków zostanie pobrany z bazy danych DAVID32, a następnie dwa reprezentatywne serwery internetowe zostaną użyte do analizy tego symbolu genu na podstawie odpowiednio poziomów DNA i białka. Serwerowa karta GeneCard zapewnia kompleksową adnotację funkcjonalną danego symbolu genu, a baza danych Online Mendlowski Dziedziczenia u Ludzi (OMIM) zapewnia najbardziej wszechstronną selekcję powiązań między chorobą a genem. Serwerowy UniProtKB jest jedną z najbardziej wszechstronnych baz danych białek, a serwerowy system przewidywania oparty na grupach (GPS) przewiduje fosforylację sygnałową dla bardzo dużej listy kinaz.

  1. Skopiuj i wklej link internetowy bazy danych DAVID do przeglądarki internetowej i otwórz stronę internetową tej bazy danych. Kliknij link Konwersja identyfikatora genu widoczny w Rysunek 4A i wprowadź identyfikatory cech 38319_at/38147_at/33238_at pierwszego podzbioru biomarkerów zestawu danych ALL1 (Rysunek 4B). Kliknij link Lista genów i kliknij Prześlij listę, jak pokazano w Rysunek 4B. Pobierz interesujące Cię adnotacje i kliknij Pokaż listę genów (Rysunek 4C). Pobierz listę symboli genów (Rysunek 4D).
    UWAGA: Pobrane tutaj symbole genów zostaną wykorzystane do dalszych adnotacji funkcjonalnych w następnych krokach.
  2. Skopiuj i wklej łącze internetowe do bazy danych Gene Cards do przeglądarki internetowej i otwórz stronę internetową tej bazy danych. Wyszukaj nazwę genu CD3D w polu wejściowym zapytania do bazy danych i znajdź adnotacje tego genu z Gene Cards33,34, jak pokazano w Tabeli 1 i Rysunek 5A.
    UWAGA: Karty genowe to obszerna baza wiedzy o genach, zapewniająca nomenklaturę, genomikę, proteomikę, lokalizację subkomórkową oraz zaangażowane szlaki i inne moduły funkcjonalne. Zawiera również linki zewnętrzne do różnych innych biomedycznych baz danych, takich jak PDB/PDB_REDO35, Entrez Gene36, OMIM37 i UniProtKB38. Jeśli nazwa cechy nie jest standardowym symbolem genu, użyj bazy danych ENSEMBL, aby ją przekonwertować39. CD3D to nazwa genu T-Cell Receptor T3 Delta Chain.
  3. Skopiuj i wklej łącze internetowe bazy danych OMIM do przeglądarki internetowej i otwórz stronę internetową tej bazy danych. Wyszukaj nazwę genu CD3D i znajdź adnotacje tego genu w bazie danych OMIM37, jak pokazano w Tabeli 1 i Rysunek 5B.
    UWAGA: OMIM służy obecnie jako jedno z najbardziej wszechstronnych i autorytatywnych źródeł powiązań ludzkich genów z chorobami dziedzicznymi. OMIM został zainicjowany przez dr Victora A. McKusicka w celu skatalogowania mutacji genetycznych związanych z chorobą40. OMIM obejmuje obecnie ponad 15 000 ludzkich genów i ponad 8 500 fenotypów, stan na 1 grudnia 2017r.

9. Opisz kodowane białka i modyfikacje potranslacyjne

  1. Skopiuj i wklej łącze internetowe bazy danych UniProtKB do przeglądarki internetowej i otwórz stronę internetową tej bazy danych. Wyszukaj nazwę genu CD3D w polu wejściowym zapytania UniProtKB i znajdź adnotacje tego genu w bazie danych38, jak pokazano w tabeli 1 i Rysunek 5C.
    UWAGA: UniProtKB gromadzi bogate źródło adnotacji dla białek, w tym zarówno nomenklaturę, jak i informacje funkcjonalne. Ta baza danych zawiera również linki zewnętrzne do innych powszechnie używanych baz danych, w tym PDB/PDB_REDO35, OMIM37 i Pfam41.
  2. Skopiuj i wklej łącze internetowe serwera internetowego GPS do web przeglądarki i otwórz stronę internetową tego serwera WWW. Pobierz sekwencję białka kodowaną przez gen biomarkera CD3D z bazy danych UniProtKB38 i przewiduj reszty modyfikacji potranslacyjnej białka (PTM) za pomocą narzędzia online GPS, jak pokazano w tabeli 1 i Rysunek 5D.
    UWAGA: System biologiczny jest dynamiczny i skomplikowany, a istniejące bazy danych gromadzą tylko znane informacje. W związku z tym narzędzia do prognozowania biomedycznego zarówno online, jak i programy offline mogą dostarczyć użytecznych dowodów uzupełniających hipotetyczny mechanizm. GPS jest rozwijany i ulepszany od ponad 12 lat7,42 i może być używany do przewidywania reszt PTM białka w danej sekwencji peptydowej43,44. Dostępne są również narzędzia do różnych tematów badawczych, w tym między innymi przewidywania lokalizacji subkomórkowej białka45 i motywów wiążących czynnik transkrypcyjny 46 .

10. Opisz interakcje białko-białko i ich wzbogacone moduły funkcjonalne

  1. Skopiuj i wklej link internetowy serwera WWW String do web przeglądarki i otwórz web strona tego serwera WWW. Przeszukaj listę genów CD3D i P53 i znajdź ich uporządkowane właściwości za pomocą bazy danych String47. Tę samą procedurę można przeprowadzić przy użyciu innego serwera WWW, DAVID32.
    UWAGA: Oprócz wyżej wymienionych adnotacji dla poszczególnych genów, dostępnych jest wiele narzędzi informatycznych na dużą skalę do badania właściwości grupy genów. Niedawne badanie wykazało, że indywidualnie złe geny markerowe mogą stanowić znacznie ulepszony zestaw genów5. Dlatego warto ponieść koszt obliczeniowy, aby przeprowadzić badania przesiewowe pod kątem bardziej skomplikowanych biomarkerów. Ciąg bazy danych może wizualizować znane lub przewidywane połączenia interakcji, a serwer Davida może wykrywać moduły funkcjonalne ze znaczącymi powiązaniami fenotypowymi w poszukiwanych genach47,32. Dostępne są również różne inne narzędzia do analizy informatycznej na dużą skalę.

11. Eksport wygenerowanych podzbiorów biomarkerów i wykresów wizualizacji

  1. Eksportuj wykryte podzbiory biomarkerów jako plik tekstowy .tsv lub .csv w celu dalszej analizy. Kliknij przycisk Eksportuj tabelę pod tabelą wszystkich wykrytych podzbiorów biomarkerów i wybierz format tekstu, który chcesz zapisać.
  2. Wyeksportuj wykresy wizualizacji jako plik obrazu. Kliknij przycisk Zapisz pod każdym wykresem i wybierz format obrazu, który chcesz zapisać jako.
    UWAGA: Oprogramowanie obsługuje format pikseli .png i format wektorowy .svg. Obrazy pikselowe są dobre do wyświetlania na ekranie komputera, podczas gdy obrazy wektorowe można przekonwertować do dowolnej rozdzielczości wymaganej do celów publikacji w czasopiśmie.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Celem tego przepływu pracy (Rysunek 6) jest wykrycie wielu podzbiorów biomarkerów o podobnej skuteczności dla binarnego zestawu danych klasyfikacyjnych. Cały proces jest zilustrowany dwoma przykładowymi zestawami danych ALL1 i ALL2 wyodrębnionymi z niedawno opublikowanego badania wykrywania biomarkerów12,48. Użytkownik może zainstalować kSolutionVis, postępując zgodnie z instrukcjami zawartymi w mater...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to przedstawia łatwy do naśladowania, wielorozwiązaniowy protokół wykrywania i charakteryzacji biomarkerów dla określonego przez użytkownika binarnego zestawu danych klasyfikacji. Oprogramowanie kładzie nacisk na łatwość obsługi i elastyczne interfejsy importu/eksportu dla różnych formatów plików, umożliwiając badaczom biomedycznym łatwe badanie zestawu danych za pomocą graficznego interfejsu użytkownika oprogramowania. Badanie to podkreśla również konieczność generowania więcej niż jednego rozwiązania o podobnie...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nie mamy żadnych konfliktów interesów w związku z tym raportem.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez Program Badań Strategicznych Chińskiej Akademii Nauk (XDB13040400) oraz grant na rozpoczęcie działalności z Uniwersytetu Jilin. Anonimowi recenzenci i użytkownicy testów biomedycznych zostali docenieni za konstruktywne uwagi na temat poprawy użyteczności i funkcjonalności kSolutionVis.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Sprzęt
laptopLenovoX1 carbonKażdy komputer działa. Zalecana minimalna konfiguracja: 1 GB dodatkowego miejsca na dysku twardym, 1 GB pamięci, procesor 2,0 MHz<
strong>NazwaCompanyNumer katalogowyKomentarze
Software
Python 3.0WingWareWing PersonalWszystkie środowiska programowania i uruchamiania w języku Python obsługują język Python w wersji 3.0 lub nowszej

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Heckerman, D., et al. Genetic variants associated with physical performance and anthropometry in old age: a genome-wide association study in the ilSIRENTE cohort. Scientific Reports. 7, 15879(2017).
  2. Li, Z., et al. Genome-wide association analysis identifies 30 new susceptibility loci for schizophrenia. Nature Genetics. 49, 1576-1583 (2017).
  3. Winkler, T. W., et al. Quality control and conduct of genome-wide association meta-analyses. Nature Protocols. 9, 1192-1212 (2014).
  4. Harrison, R. N. S., et al. Development of multivariable models to predict change in Body Mass Index within a clinical trial population of psychotic individuals. Scientific Reports. 7, 14738(2017).
  5. Liu, J., et al. Multiple similarly-well solutions exist for biomedical feature selection and classification problems. Scientific Reports. 7, 12830(2017).
  6. Ye, Y., Zhang, R., Zheng, W., Liu, S., Zhou, F. RIFS: a randomly restarted incremental feature selection algorithm. Scientific Reports. 7, 13013(2017).
  7. Zhou, F. F., Xue, Y., Chen, G. L., Yao, X. GPS: a novel group-based phosphorylation predicting and scoring method. Biochemical and Biophysical Research Communications. 325, 1443-1448 (2004).
  8. Sanchez, B. N., Wu, M., Song, P. X., Wang, W. Study design in high-dimensional classification analysis. Biostatistics. 17, 722-736 (2016).
  9. Shujie, M. A., Carroll, R. J., Liang, H., Xu, S. Estimation and Inference in Generalized Additive Coefficient Models for Nonlinear Interactions with High-Dimensional Covariates. Annals of Statistics. 43, 2102-2131 (2015).
  10. Li, J. H., et al. MiR-205 as a promising biomarker in the diagnosis and prognosis of lung cancer. Oncotarget. 8, 91938-91949 (2017).
  11. Lyskjaer, I., Rasmussen, M. H., Andersen, C. L. Putting a brake on stress signaling: miR-625-3p as a biomarker for choice of therapy in colorectal cancer. Epigenomics. 8, 1449-1452 (2016).
  12. Ge, R., et al. McTwo: a two-step feature selection algorithm based on maximal information coefficient. BMC Bioinformatics. 17, 142(2016).
  13. Tumuluru, J. S., McCulloch, R. Application of Hybrid Genetic Algorithm Routine in Optimizing Food and Bioengineering Processes. Foods. 5, (2016).
  14. Gen, M., Cheng, R., Lin, L. Network models and optimization: Multiobjective genetic algorithm approach. , Springer Science & Business Media. (2008).
  15. Radovic, M., Ghalwash, M., Filipovic, N., Obradovic, Z. Minimum redundancy maximum relevance feature selection approach for temporal gene expression data. BMC Bioinformatics. 18, 9(2017).
  16. Ciuculete, D. M., et al. A methylome-wide mQTL analysis reveals associations of methylation sites with GAD1 and HDAC3 SNPs and a general psychiatric risk score. Translational Psychiatry. 7, e1002(2017).
  17. Lin, H., et al. Methylome-wide Association Study of Atrial Fibrillation in Framingham Heart Study. Scientific Reports. 7, 40377(2017).
  18. Wang, S., Li, J., Yuan, F., Huang, T., Cai, Y. D. Computational method for distinguishing lysine acetylation, sumoylation, and ubiquitination using the random forest algorithm with a feature selection procedure. combinatorial chemistry & high throughput screening. , (2017).
  19. Zhang, Q., et al. Predicting Citrullination Sites in Protein Sequences Using mRMR Method and Random Forest Algorithm. combinatorial chemistry & high throughput screening. 20, 164-173 (2017).
  20. Cuena-Lombrana, A., Fois, M., Fenu, G., Cogoni, D., Bacchetta, G. The impact of climatic variations on the reproductive success of Gentiana lutea L. in a Mediterranean mountain area. International journal of biometeorology. , (2018).
  21. Coghe, G., et al. Fatigue, as measured using the Modified Fatigue Impact Scale, is a predictor of processing speed improvement induced by exercise in patients with multiple sclerosis: data from a randomized controlled trial. Journal of Neurology. , (2018).
  22. Hong, H., et al. Applying genetic algorithms to set the optimal combination of forest fire related variables and model forest fire susceptibility based on data mining models. The case of Dayu County, China. Science of the Total Environment. 630, 1044-1056 (2018).
  23. Borges, D. L., et al. Photoanthropometric face iridial proportions for age estimation: An investigation using features selected via a joint mutual information criterion. Forensic Science International. 284, 9-14 (2018).
  24. Kohavi, R., John, G. H. Wrappers for feature subset selection. Artificial intelligence. 97, 273-324 (1997).
  25. Yu, L., Liu, H. Efficient feature selection via analysis of relevance and redundancy. Journal of machine learning research. 5, 1205-1224 (2004).
  26. Wexler, R. B., Martirez, J. M. P., Rappe, A. M. Chemical Pressure-Driven Enhancement of the Hydrogen Evolving Activity of Ni2P from Nonmetal Surface Doping Interpreted via Machine Learning. Journal of American Chemical Society. , (2018).
  27. Wijaya, S. H., Batubara, I., Nishioka, T., Altaf-Ul-Amin, M., Kanaya, S. Metabolomic Studies of Indonesian Jamu Medicines: Prediction of Jamu Efficacy and Identification of Important Metabolites. Molecular Informatics. 36, (2017).
  28. Shangkuan, W. C., et al. Risk analysis of colorectal cancer incidence by gene expression analysis. PeerJ. 5, e3003(2017).
  29. Chu, C. M., et al. Gene expression profiling of colorectal tumors and normal mucosa by microarrays meta-analysis using prediction analysis of microarray, artificial neural network, classification, and regression trees. Disease Markers. , 634123(2014).
  30. Fleuret, F. Fast binary feature selection with conditional mutual information. Journal of Machine Learning Research. 5, 1531-1555 (2004).
  31. Pacheco, J., Alfaro, E., Casado, S., Gámez, M., García, N. A GRASP method for building classification trees. Expert Systems with Applications. 39, 3241-3248 (2012).
  32. Jiao, X., et al. DAVID-WS: a stateful web service to facilitate gene/protein list analysis. Bioinformatics. 28, 1805-1806 (2012).
  33. Rappaport, N., et al. Rational confederation of genes and diseases: NGS interpretation via GeneCards, MalaCards and VarElect. Biomedical Engineering OnLine. 16, 72(2017).
  34. Rebhan, M., Chalifa-Caspi, V., Prilusky, J., Lancet, D. GeneCards: integrating information about genes, proteins and diseases. Trends in Genet. 13, 163(1997).
  35. Joosten, R. P., Long, F., Murshudov, G. N., Perrakis, A. The PDB_REDO server for macromolecular structure model optimization. IUCrJ. 1, 213-220 (2014).
  36. Maglott, D., Ostell, J., Pruitt, K. D., Tatusova, T. Entrez Gene: gene-centered information at NCBI. Nucleic Acids Research. 39, D52-D57 (2011).
  37. Amberger, J. S., Bocchini, C. A., Schiettecatte, F., Scott, A. F., Hamosh, A. OMIM.org: Online Mendelian Inheritance in Man (OMIM(R)), an online catalog of human genes and genetic disorders. Nucleic Acids Research. 43, D789-D798 (2015).
  38. Boutet, E., et al. the Manually Annotated Section of the UniProt KnowledgeBase: How to Use the Entry View. Methods in Molecular Biology. 1374, 23-54 (2016).
  39. Zerbino, D. R., et al. Ensembl 2018. Nucleic Acids Res. , (2017).
  40. McKusick, V. A., Amberger, J. S. The morbid anatomy of the human genome: chromosomal location of mutations causing disease. Journal of Medical Genetics. 30, 1-26 (1993).
  41. Finn, R. D., et al. The Pfam protein families database: towards a more sustainable future. Nucleic Acids Research. 44, D279-D285 (2016).
  42. Xue, Y., et al. GPS: a comprehensive www server for phosphorylation sites prediction. Nucleic Acids Research. 33, W184-W187 (2005).
  43. Deng, W., et al. GPS-PAIL: prediction of lysine acetyltransferase-specific modification sites from protein sequences. Scientific Reports. 6, 39787(2016).
  44. Zhao, Q., et al. GPS-SUMO: a tool for the prediction of sumoylation sites and SUMO-interaction motifs. Nucleic Acids Research. 42, W325-W330 (2014).
  45. Wan, S., Duan, Y., Zou, Q. HPSLPred: An Ensemble Multi-Label Classifier for Human Protein Subcellular Location Prediction with Imbalanced Source. Proteomics. 17, (2017).
  46. Zhang, H., Zhu, L., Huang, D. S. WSMD: weakly-supervised motif discovery in transcription factor ChIP-seq data. Scientific Reports. 7, 3217(2017).
  47. Szklarczyk, D., et al. STRING v10: protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Research. 43, D447-D452 (2015).
  48. Chiaretti, S., et al. Gene expression profile of adult T-cell acute lymphocytic leukemia identifies distinct subsets of patients with different response to therapy and survival. Blood. 103, 2771-2778 (2004).
  49. Rowley, J. D., et al. Mapping chromosome band 11q23 in human acute leukemia with biotinylated probes: identification of 11q23 translocation breakpoints with a yeast artificial chromosome. Proceedings of the National Academy of Sciences of the United States of America. 87, 9358-9362 (1990).
  50. Rabbitts, T. H., et al. The chromosomal location of T-cell receptor genes and a T cell rearranging gene: possible correlation with specific translocations in human T cell leukaemia. Embo Journal. 4, 1461-1465 (1985).
  51. Yin, L., et al. SH2D1A mutation analysis for diagnosis of XLP in typical and atypical patients. Human Genetics. 105, 501-505 (1999).
  52. Brandau, O., et al. Epstein-Barr virus-negative boys with non-Hodgkin lymphoma are mutated in the SH2D1A gene, as are patients with X-linked lymphoproliferative disease (XLP). Human Molecular Genetics. 8, 2407-2413 (1999).
  53. Burnett, R. C., Thirman, M. J., Rowley, J. D., Diaz, M. O. Molecular analysis of the T-cell acute lymphoblastic leukemia-associated t(1;7)(p34;q34) that fuses LCK and TCRB. Blood. 84, 1232-1236 (1994).
  54. Taylor, G. M., et al. Genetic susceptibility to childhood common acute lymphoblastic leukaemia is associated with polymorphic peptide-binding pocket profiles in HLA-DPB1*0201. Human Molecular Genetics. 11, 1585-1597 (2002).
  55. Wadia, P. P., et al. Antibodies specifically target AML antigen NuSAP1 after allogeneic bone marrow transplantation. Blood. 115, 2077-2087 (2010).
  56. Wilson, D. M., et al. 3rd et al. Hex1: a new human Rad2 nuclease family member with homology to yeast exonuclease 1. Nucleic Acids Research. 26, 3762-3768 (1998).
  57. O'Sullivan, R. J., et al. Rapid induction of alternative lengthening of telomeres by depletion of the histone chaperone ASF1. Nature Structural & Molecular Biology. 21, 167-174 (2014).
  58. Lee-Sherick, A. B., et al. Aberrant Mer receptor tyrosine kinase expression contributes to leukemogenesis in acute myeloid leukemia. Oncogene. 32, 5359-5368 (2013).
  59. Guyon, I., Elisseeff, A. An introduction to variable and feature selection. Journal of machine learning research. 3, 1157-1182 (2003).
  60. John, G. H., Kohavi, R., Pfleger, K. Machine learning: proceedings of the eleventh international conference. , 121-129 (1994).
  61. Jain, A., Zongker, D. Feature selection: Evaluation, application, and small sample performance. IEEE transactions on pattern analysis and machine intelligence. 19, 153-158 (1997).
  62. Taylor, S. L., Kim, K. A jackknife and voting classifier approach to feature selection and classification. Cancer Informatics. 10, 133-147 (2011).
  63. Andresen, K., et al. Novel target genes and a valid biomarker panel identified for cholangiocarcinoma. Epigenetics. 7, 1249-1257 (2012).
  64. Guo, P., et al. Gene expression profile based classification models of psoriasis. Genomics. 103, 48-55 (2014).
  65. Xie, J., Wang, C. Using support vector machines with a novel hybrid feature selection method for diagnosis of erythemato-squamous diseases. Expert Systems with Applications. 38, 5809-5815 (2011).
  66. Zou, Q., Zeng, J., Cao, L., Ji, R. A novel features ranking metric with application to scalable visual and bioinformatics data classification. Neurocomputing. 173, 346-354 (2016).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Biomarker DetectionBinary ClassificationFeature Subset SelectionPerformance MeasurementGraphical User InterfaceData PreparationParameter TuningResult VisualizationGene AnnotationExport Visualization

Related Articles