Wybór wielu podzbiorów biomarkerów o podobnie skutecznych wynikach klasyfikacji binarnej
11 października 2018
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.
Miara ta może pomóc w znalezieniu odpowiedzi na kluczowe pytania w dziedzinie wykrywania biomedycznego dotyczące generowania wielu rozwiązań. Główną zaletą tej techniki jest to, że zapewnia ona przyjazny dla użytkownika graficzny interfejs użytkownika, który pomaga badaczom biomedycznym w wykrywaniu wielu wad funkcjonalnych. Zacznij od załadowania macierzy danych i etykiet klas do oprogramowania.
Kliknij przycisk Załaduj macierz danych, aby wybrać plik metryk danych określony przez użytkownika, a następnie załaduj etykiety klas, aby wybrać odpowiedni plik etykiety klasy. Aby określić etykiety klas w liczbie najwyżej sklasyfikowanych obiektów, wybierz nazwy klas dodatnich i ujemnych w odpowiednich polach rozwijanych, a następnie wybierz liczbę 10 jako liczbę najwyżej sklasyfikowanych obiektów w polu listy rozwijanej X pierwszych, aby wyświetlić kompleksowy ekran podzbioru obiektów. Aby dostroić parametry systemu do różnych parametrów, wybierz dokładność pomiaru wydajności jako pole rozwijane dokładności zrównoważonej dokładności dla wybranego klasyfikatora maszyn uczących się ekstremalnie.
Następnie wybierz wartość odcięcia 0,7 dla określonego pomiaru wydajności w polu wejściowym odcięcia wydajności. Aby uruchomić potok, kliknij przycisk Analizuj i wybierz wartość 0,7 jako domyślną wartość odcięcia pomiaru wydajności. A 10 to domyślna liczba najlepszych podzbiorów obiektów.
Następnie zbierz i zinterpretuj funkcje wykryte przez oprogramowanie. Aby wygenerować wykres punktowy 3D przedstawiający 10 najważniejszych cech podzbiorów z najlepszymi wynikami klasyfikacji wykrytymi przez oprogramowanie, kliknij przycisk Analizuj i posortuj trzy cechy w podzbiorze funkcji w kolejności rosnącej ich rang, używając rang trzech obiektów jako osi F1, F2 i F3. Zmień wartość odcięcia wydajności na 0,7 i kliknij przycisk Analizuj, aby wygenerować wykres punktowy 3D podzbiorów obiektów z wartością pomiaru odcięcia wydajności większą lub równą wydajności.
Następnie kliknij opcję Dostrajanie 3D, aby otworzyć nowe okno do ręcznego dostrajania kątów widzenia wykresu punktowego 3D i zmniejszenia, aby zmniejszyć nadmiarowość wykrytych podzbiorów obiektów. Aby dodać adnotację do genu zarówno na poziomie sekwencji DNA, jak i białka, otwórz stronę internetową bazy danych Davida i kliknij link do konwersji identyfikatora genu, aby wprowadzić identyfikatory cech pierwszego podzbioru biomarkerów przygotowanego zestawu danych. Kliknij łącze listy genów i kliknij przycisk prześlij listę, aby pobrać interesujące Cię adnotacje, a następnie pokaż listę genów, aby uzyskać listę symboli genów.
Następnie otwórz stronę internetową bazy danych GeneCards i wprowadź nazwę interesującego genu w polu wejściowym zapytania do bazy danych, aby znaleźć adnotacje tego genu. Otwórz bazę danych Online Mendol Inheritance in Man i wyszukaj gen, aby znaleźć adnotacje tego genu w bazie danych. Aby dodać adnotacje do zakodowanych białek, otwórz stronę bazy danych bazy wiedzy UniProt i wyszukaj adnotacje genu z tej bazy danych.
Otwórz system predykcyjny oparty na grupach lub serwer internetowy GPS i pobierz sekwencję białka kodowaną przez gen biomarkera z bazy danych bazy wiedzy UniProt i użyj narzędzia GPS online, aby przewidzieć pozostałości białek po modyfikacji przejściowej. Aby opisać interakcje białko-białko i wzbogacone moduły funkcjonalne, otwórz stronę serwera sieci Web i użyj bazy danych ciągów, aby przeszukać windę w poszukiwaniu interesujących genów, aby znaleźć ich zaaranżowane właściwości. Aby wyeksportować wykryte podzbiory biomarkerów do dalszej analizy, kliknij przycisk eksportuj tabelę i wybierz odpowiedni format tekstowy do zapisania plików.
Następnie wyeksportuj wykresy wizualizacji jako pojedyncze pliki obrazów, klikając przycisk Zapisz pod każdym wykresem i wybierając odpowiedni format obrazu do zapisania każdego pliku. W tym reprezentatywnym eksperymencie dwa zestawy danych zostały sformatowane jako pliki CSV i załadowane do oprogramowania, jak pokazano. W pierwszym zestawie danych 128 próbek z 12 625 cechami i etykietami poszczególnych klas załadowano ostateczną matrycę danych zawierającą 95 próbek ujemnych i 33 próbki dodatnie.
Podobne operacje przeprowadzono również dla drugiego trudnego zbioru danych. Wyszukiwanie słowa kluczowego specyficznego dla użytkownika w nazwach funkcji powoduje wyświetlenie histogramu funkcji dla każdego zestawu danych. Po wykonaniu algorytmu potoku dla każdego zestawu danych wykryto 120 kwalifikowanych podzbiorów biomarkerów dla łatwego do rozróżnienia zestawu danych, przy czym 57 podzbiorów biomarkerów trypletowych wykazało 100% dokładność.
Wykryto jednak tylko 76 podzbiorów biomarkerów dla trudnego zestawu danych. A przy niższej dokładności podzbioru biomarkerów, co sugeruje, że biomarkery są specyficzne dla fenotypu, co stanowi kolejne poważne wyzwanie w wykrywaniu biomarkerów. Korzystając z tej procedury, należy pamiętać, że przyszły problem z wyborem ma wiele rozwiązań.
Zapoznaj się z najlepszymi parametrami karty SIM. Po opracowaniu technika ta utorowała drogę naukowcom biomedycznym do badania wykrywania biomedycznego za pomocą wielu rozwiązań.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Ten protokół demonstruje istnienie wielu skutecznych rozwiązań dla zestawów danych do wykrywania biomarkerów. Zapewnia przyjazny dla użytkownika interfejs oprogramowania, aby pomóc badaczom biomedycznym w ich badaniach.
Kluczowe elementy badania
Dziedzina nauki
- Wykrywanie w dziedzinie biomedycznej
- Analiza biomarkerów
- Oprogramowanie do analizy danych
Tło
- Istniejące algorytmy zwykle generuje pojedyncze rozwiązania do wykrywania biomarkerów.
- To badanie bada potencjał wielu rozwiązań.
- Wprowadzone zostało przyjazne dla użytkownika oprogramowanie, aby ułatwić badania.
- Oprogramowanie ma na celu pomoc w wykrywaniu wielu podzbiorów cech.
Cel badania
- Aby wykazać istnienie wielu skutecznych rozwiązań w wykrywaniu biomarkerów.
- Aby dostarczyć narzędzie oprogramowania dla badaczy do analizy ich zestawów danych.
- Aby poprawić przydatność algorytmów wykrywania biomarkerów.
Zastosowane metody
- Wczytywanie macierzy danych i etykiet klas do oprogramowania.
- Wybieranie najwyżej ocenianych cech do analizy.
- Dostrajanie parametrów systemu dla pomiaru wydajności.
- Wykorzystanie graficznego interfejsu użytkownika dla łatwości użytkowania.
Główne wyniki
- Oprogramowanie umożliwia identyfikację wielu podzbiorów cech.
- Badacze mogą określić etykiety klas i najwyżej oceniane cechy.
- Wydajność może być mierzona za pomocą różnych metryk.
- Podejście to poprawia zrozumienie wykrywania biomarkerów.
Wnioski
- Można skutecznie wygenerować wiele rozwiązań dla zestawów danych biomarkerów.
- Przyjazne dla użytkownika oprogramowanie pomaga w eksploracji tych rozwiązań.
- Ta metoda może poprawić dokładność i efektywność wykrywania biomarkerów.
Często zadawane pytania
Executive Industry Relevance
Biomarker detection often yields a single optimized solution, potentially overlooking alternative subsets with comparable predictive performance. This protocol reveals that multiple biomarker subsets can achieve similarly effective binary classification, enabling more robust hypothesis generation and reducing reliance on singular, potentially biased markers. By identifying multiple effective solutions, R&D teams gain improved target validation confidence and mechanistic de-risking early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by revealing multiple biomarker combinations with equivalent classification power.
- Operational Value: Supports biological de-risking through functional validation of alternative feature subsets that predict phenotype with high accuracy.
- Predictive Value: Enhances portfolio triage by identifying redundant or complementary biomarkers that strengthen target-disease association evidence.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying feature subsets that exceed user-defined performance cutoffs (e.g., ≥0.7 accuracy).
- Operational Value: Promotes assay standardization and reproducibility through consistent detection of multiple high-performing biomarker triplets across datasets.
- Scalability: Facilitates screening readiness via GUI-driven export of biomarker subsets for downstream compound screening workflows.
Translational & Preclinical Research
- Translational Continuity: Connects discovery-phase biomarker identification to preclinical validation by enabling annotation of detected genes and proteins via public databases (DAVID, GeneCards, OMIM, UniProt, GPS, STRING).
- Mechanistic De-risking: Supports risk-adjusted advancement decisions by revealing phenotype-specific biomarker performance, highlighting context-dependent target relevance.
- Predictive Confidence: Allows teams to evaluate biomarker robustness across easy and difficult-to-discriminate datasets, informing translational biomarker selection.
Pipeline & Workflow Integration
The method integrates into early discovery workflows, supporting hypothesis testing and lead identification through quantitative biomarker subset detection and visualization.
- Discovery Biology: Supports hypothesis testing by detecting multiple feature subsets with binary classification performance above a user-defined threshold (e.g., 0.7 balanced accuracy).
- Screening: Enables assay readiness through export of biomarker subsets and generation of publication-quality 3D scatter plots for visual interpretation of top-ranked features.
- Analytics: Provides quantitative performance measurements (accuracy, balanced accuracy) and ranked feature outputs that allow comparison of biomarker subset efficacy across conditions.
- Translational Research: Connects to preclinical continuity via gene and protein annotation pipelines using established bioinformatics resources.
- Enterprise Reuse: Positions the kSolutionVis GUI as a reusable platform for biomarker screening across diverse omics datasets, reducing redundant algorithm development.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation through multiple effective solutions, reduction of mechanistic ambiguity in biomarker-disease relationships.
- Operational Value: Standardization, reproducibility, and scalability of biomarker detection via GUI-driven parameter tuning and result export.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk by identifying biomarker alternatives early.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions based on the existence of multiple equally effective biomarker solutions.
Implementation Considerations
- Requires expertise in biomarker analysis and familiarity with performance metrics such as balanced accuracy.
- Depends on instrumentation capable of running Python-based GUI software and accessing online annotation databases.
- Necessitates cross-team standardization on performance cutoffs (e.g., 0.7) and top-ranked feature counts (e.g., 10) for consistent screening.
- Involves adaptation considerations when applying the method to different omics data types or classification challenges.
- Includes practical limitations such as phenotype-specific biomarker performance, where subset accuracy may vary between easy and difficult-to-discriminate datasets.
