Создание и визуализация моделей с помощью фреймворка машинного обучения на основе MIME

Summary

Mime — это гибкая вычислительная среда для создания интеграционной модели на основе машинного обучения с элегантной производительностью. В этой статье мы представляем подробную пошаговую процедуру разработки прогностических моделей с высокой точностью, используя сложные наборы данных для выявления критически важных генов, связанных с прогрессированием заболевания, исходами пациента и терапевтическим ответом.

Abstract

Широко распространенная технология высокопроизводительного секвенирования значительно улучшила наше понимание биологии и гетерогенности рака. Алгоритмы машинного обучения на основе транскрипционных данных стали жизненно важными для прогнозирования прогноза пациентов и клинических реакций. Несмотря на достижения в области алгоритмов машинного обучения, платформа с открытым исходным кодом, которая включает в себя самые сложные алгоритмы машинного обучения на транскрипционных данных, по-прежнему отсутствует. Чтобы восполнить этот пробел, мы разработали Mime, универсальную среду машинного обучения, предназначенную для улучшения построения и визуализации прогностических моделей клинических характеристик и сигнатур генов. Интегрируя различные наборы данных и используя самые передовые методы выбора признаков, Mime решает важнейшие проблемы в клиническом прогнозировании. Он выполняет три основные функции, включая построение модели, выбор элементов и визуализацию данных. Построение моделей включает в себя ряд алгоритмов машинного обучения, включая, помимо прочего, деревья решений, методы опорных векторов и ансамблевые методы, что позволяет исследователям выбирать наиболее подходящий подход для своего конкретного анализа. При выборе признаков используются передовые алгоритмы, такие как рекурсивное устранение признаков и регрессия LASSO, чтобы упорядочить набор данных и сосредоточиться на наиболее информативных функциях. Фреймворк поддерживает настраиваемую настройку параметров с помощью методов перекрестной проверки, оптимизируя производительность модели и снижая риски переобучения. Инструменты визуализации, интегрированные в Mime, позволяют исследователям эффективно интерпретировать результаты модели, предоставляя графическое представление важности функций и прогнозные показатели эффективности. В этой рукописи мы предоставляем подробное руководство по пошаговым процедурам этой универсальной платформы машинного обучения.

Introduction

Широкое внедрение технологий высокопроизводительного секвенирования существенно повлияло на наше понимание биологии и гетерогенности рака1. Этот революционный прогресс в биотехнологии не только углубил наши научные знания, но и произвел революцию в области медицинских исследований. Позволяя ученым быстро и точно секвенировать большие объемы генетического материала, высокопроизводительное секвенирование ускорило открытие новых генов, мутаций и биологических путей. Растущий объем исследований определил конкретные молекулярные сигнатуры, связанные с прогрессированием заболевания, прогнозом пациента и терапевтическ....

Protocol

ПРИМЕЧАНИЕ: Все учебные пособия для этого исследования выполняются на платформе Linux с использованием программного обеспечения R. Версия пакета R, используемого в этом протоколе, указана в Таблице материалов. Каждый шаг, необходимый для анализа, показан ниже, а подробный протокол также можно получить на GitHub (https://github.com/l-magnificence/Mime). Пользователи, столкнувшиеся с проблемами с Mime, могут посетить страницу проблем GitHub (https://github.com/l-magnificence/Mime/issues), чтобы оставить отзыв.

1. Подготовка мима и примера набора данных

1. Установите ....

Results

Генелист и когорта Example.cohort, включающие одну обучающую когорту и одну когорту валидационной проверки, были использованы для построения прогностических моделей путем интеграции 10 алгоритмов машинного обучения в Mime. Среди 117 моделей прогноза, построенных Mime, комбинированная модель StepCox[forward] + plsRcox (SPCOM) имела самый высокий C-индекс среди всех когорт, что указывает на ее выдающуюся производительность (рис. 1A). Пациенты были далее разделены на группы высокого и низкого р.......

Discussion

В этом исследовании мы подробно описываем, как использовать пакет Mime для разработки надежных и мощных прогностических моделей машинного обучения для транскриптомных данных. В предыдущих исследованиях исследователи часто испытывали трудности с выбором подходящего алгоритма прогностической модели, основанного на конкретных характеристиках^данных секвенирования^. Кроме того, для исследователей без образования в области компьютерных.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Наименование пакета	Версия	Программное обеспечение
Сюжет	0.1.10	Студия R
БАРТ	2.9.4	Студия R
Борута	8.0.0	Студия R
Класс рака	1.38.0	Студия R
знак вставки	6.0-89	Студия R
Ckmeans.1d.dp	4.3.5	Студия R
compareC	1.3.2	Студия R
ComplexТепловая карта	2.15.1	Студия R
Композиции	2.0-4	Студия R
data.table	1.14.0	Студия R
doParallel	1.0.16	Студия R
Дплир	1.1.3	Студия R
Е1071	1.7-7	Студия R
лесоукладчик	1.1.0	Студия R
будущее	1.21.0	Студия R
ГБМ	2.1.8.1	Студия R
ggbreak	0.1.1	Студия R
ggplot2	3.4.1	Студия R
ggpubr	0.4.0	Студия R
ГГСЦИ	2.9	Студия R
glmnet	4.1-2	Студия R
сетка	4.1.3	Студия R
сеткаЭкстра	2.3	Студия R
GSEABase	1.54.0	Студия R
GSVA	1.40.1	Студия R
Хмиск	5.1-1	Студия R
ККНН	1.3.1	Студия R
Трикотаж	1.42	Студия R
Магриттр	2.7.2	Студия R
Матрица	1.5-4	Студия R
мета	5.2-0	Студия R
Инструменты miscTools	0.6-28	Студия R
mixOmics	6.18.1	Студия R
Mixtools	1.2.0	Студия R
pbapply	1.4-3	Студия R
plsRcox	1.7.7	Студия R
пРПЦ	1.18.0	Студия R
R	4.1.3	Студия R
randomForestSRC	4.6-14	Студия R
Читатель	1.4.0	Студия R
Рецепты	0.1.17	Студия R
Изменить форму2	1.4.4	Студия R
Уценить	2.8	Студия R
ROCit	2.1.1	Студия R
ROCR	1.0-11	Студия R
весы	1.2.1	Студия R
воробей	1.0.3	Студия R
Стрингер	1.5.0	Студия R
Суперпк	1.12	Студия R
выживание	3.3-1	Студия R
выживаниеROC	1.0.3	Студия R
ВыживаниеВМ	0.0.5	Студия R
SVA	3.40.0	Студия R
Testthat	3.1.0	Студия R
тиббл	3.2.1	Студия R
Тидыр	1.3.0	Студия R
Аккуратная вселенная	1.3.1	Студия R
UpSetR	1.4.0	Студия R
Виридис	0.6.1	Студия R