Eksisterende algoritmer generere en løsning for en biomarkør påvisning datasæt. Denne protokol viser eksistensen af flere tilsvarende effektive løsninger og præsenterer en brugervenlig software til at hjælpe biomedicinske forskere undersøge deres datasæt for den foreslåede udfordring. Dataloger kan også give denne funktion i deres biomarkør påvisning algoritmer.
Registrering af biomarkør er en af de mere vigtige biomedicinske spørgsmål for høj overførselshastighed ‘omik’ forskere, og næsten alle eksisterende biomarkør påvisning algoritmer generere en biomarkør delmængde med optimeret performance-måling for et givet datasæt . Men en nylig undersøgelse påvist eksistensen af flere biomarkør delmængder med tilsvarende effektive eller endda identiske klassificering forestillinger. Denne protokol udgør en enkel og ligetil metode til påvisning af biomarkør delmængder med binære klassificering forestillinger, bedre end en brugerdefineret cutoff. Protokollen består af dataforberedelse og lastning, baseline oplysninger sammendrag, parameter tuning, biomarkør screening, resultatet visualisering og fortolkning, biomarkør gen anmærkninger, og resultatet og visualisering udførsel på publikation kvalitet. Den foreslåede biomarkør screening strategi er intuitiv og viser en generel regel for at udvikle biomarkør påvisning algoritmer. En bruger-kammeratlig anskuelighed brugergrænseflade (GUI) blev udviklet ved hjælp af programmeringssproget Python, tillader biomedicinske forskere at have direkte adgang til deres resultater. Kildekode og vejledning i kSolutionVis kan downloades fra http://www.healthinformaticslab.org/supp/resources.php.
Binære klassificering, en af mest almindeligt undersøgt og udfordrende datamining problemer på det biomedicinske område, der bruges til at bygge en klassificering model uddannet på to grupper af prøver med den mest nøjagtige forskelsbehandling power1, 2 , 3 , 4 , 5 , 6 , 7. den store data genereret på det biomedicinske område har imidlertid den iboende “store lille PN” paradigme, med antallet af funktioner normalt langt større end antallet af prøver6,8,9. Biomedicinske forskere skal derfor reducere dimensionen funktion før bruger klassifikationen algoritmer for at undgå den overfitting problem8,9. Diagnose biomarkører er defineret som en delmængde af detekterede funktioner adskille patienter af en given sygdom fra sunde kontrol prøver10,11. Patienter er normalt defineret som de positive prøver, og de raske kontrolpersoner defineres som negative prøver12.
Nylige undersøgelser har antydet, at der findes mere end én løsning med identiske eller tilsvarende effektiv klassificering forestillinger til en biomedicinsk datasæt5. Næsten alle funktionen markering algoritmerne er deterministisk algoritmer, producerer kun én løsning til det samme datasæt. Genetiske algoritmer kan samtidig generere flere løsninger med lignende forestillinger, men de stadig forsøger at vælge en løsning med den bedste fitness-funktion som output for en given datasæt13,14.
Funktionen markering algoritmer kan grupperes groft som enten filtre eller wrappers12. Et filter algoritme vælger de top –k funktioner rangeret efter deres betydelige individuelle association med binære klasse etiketterne baseret på den antagelse, at funktioner er uafhængige af hinanden15,16,17 . Selv om denne antagelse ikke holder gælder for næsten alle virkelige datasæt, udfører heuristisk filterregel godt i mange tilfælde, for eksempel, Christinas (Minimum redundans og maksimale relevans) algoritme, Wilcoxon test baseret funktion filtrering (WRank) algoritme, og handlingen ROC (Receiver drift karakteristisk) baseret filtrering (ROCRank) algoritme. Flemming, er en effektiv filter algoritme fordi det tilnærmer kombinatorisk skøn problemet med en serie af meget mindre problemer, sammenligne med maksimum-afhængighed funktion udvalg algoritme, som hver omfatter kun to variabler, og Derfor bruger parvise joint sandsynligheder, som er mere robust18,19. Dog kan Christines undervurdere nytten af nogle funktioner, som det ikke måler interaktioner mellem funktioner, som kan øge relevans, og dermed misser nogle funktion de kombinationer, der er individuelt ubrugelig men er nyttige, kun når de kombineres. WRank algoritme beregner en ikke-parametrisk score på hvordan diskriminerende en funktion mellem to klasser af prøver, og er kendt for sin robusthed for outliers20,21. Derudover evaluerer ROCRank algoritme, hvordan væsentlige område Under the ROC kurve (AUC) af en bestemt funktion er for undersøgte binære klassificering ydeevne22,23.
På den anden side en wrapper evalueres forud definerede klassificeringen udførelsen af en given funktion delmængde, iterativt genereret af heuristisk regel og skaber funktion delmængde med den bedste performance måling24. En wrapper generelt udkonkurrerer et filter i klassificering ydeevne men kører langsommere25. Legaliseret tilfældige skov (RRF)26,27 algoritme bruges f.eks grådige regel ved at vurdere funktioner på en delmængde af træningsdata på hver tilfældig skov node, hvis funktion betydning scores evalueres ved Gini-indekset . Valget af en ny funktion vil blive straffet, hvis dens oplysninger gevinst ikke forbedres for de valgte funktioner. Derudover forudsigelse analyse for Microarrays (PAM)28,29 algoritme, også en wrapper algoritme, beregner en barycentrum for hver klasse etiketter, og derefter vælger egenskaber hen til krybe gen centroids mod samlet klasse barycentrum. PAM er robust til fjerntliggende funktioner.
Flere løsninger med øverste klassificering ydeevne kan være nødvendigt for enhver given datasæt. For det første, optimering mål af en deterministisk algoritme er defineret af en matematisk formel, f.eks., minimum fejl sats30, som er ikke nødvendigvis velegnet til biologiske prøver. For det andet kan et datasæt have flere, væsentligt anderledes løsninger med lignende effektiv eller endda identiske forestillinger. Næsten alle eksisterende funktion udvalg algoritmer vil tilfældigt vælge en af disse løsninger som output31.
Denne undersøgelse vil indføre en Informatik analytiske protokol til at generere flere funktion udvalg løsninger med lignende forestillinger for enhver given binære klassificering datasæt. I betragtning af at de fleste biomedicinske forskere ikke er fortrolig med it teknikker eller computer kodning, blev en bruger-kammeratlig anskuelighed brugergrænseflade (GUI) udviklet for at lette en hurtig analyse af biomedicinsk binære klassificering datasæt. Den analytiske protokollen består af dataindlæsning og opsummere, parameter tuning, rørledning udførelse og resultatet fortolkninger. Med et enkelt klik er at forskeren købedygtig frembringe biomarkør delmængder og publikation-kvalitet visualisering parceller. Protokollen er blevet testet ved hjælp af transcriptomes af to binære klassificering datasæt af akut lymfoblastær leukæmi (ALL), dvs., ALL1 og ALL212. Datasæt af ALL1 og ALL2 blev hentet fra bred Institut genom Data analyse Center, tilgængelig på http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 indeholder 128 prøver med 12,625 funktioner. Af disse prøver, 95 er B-celle alle og 33 er T-celle alle. ALL2 indeholder 100 prøver med 12,625 funktioner så godt. Af disse prøver er der 65 patienter, der har lidt tilbagefald og 35 patienter, der ikke gjorde. ALL1 var et let binære klassificering datasæt, med en minimum nøjagtigheden af fire filtre og fire wrappers 96,7% og 6 af de 8 funktion udvalg algoritmer at opnå 100%12. Mens ALL2 var en vanskeligere datasæt, med de ovenfor 8 funktion udvalg algoritmer at opnå bedre end 83,7% nøjagtighed12. Denne bedste nøjagtighed blev opnået med 56 funktioner opdaget af wrapper algoritme, korrelation-baseret funktion valg (CFS).
Denne undersøgelse præsenterer en nem at følge multi løsning biomarkør detektion og karakterisering protokol for et datasæt, bruger-specificeret binære klassificering. Softwaren sætter fokus på brugervenlighed og fleksible import/eksport grænseflader til forskellige filformater, tillader en biomedicinsk forsker at undersøge deres datasæt nemt ved hjælp af GUI af softwaren. Denne undersøgelse fremhæver også nødvendigheden af at generere mere end én løsning med tilsvarende effektive modellering forestill…
The authors have nothing to disclose.
Dette arbejde blev støttet af det strategiske prioritet Research Program af kinesiske Academy of Sciences (XDB13040400) og start tilskud fra Jilin Universitet. Anonym korrekturlæsere og biomedicinsk test brugere blev værdsat for deres konstruktive kommentarer om forbedring af brugervenligheden og funktionaliteten af kSolutionVis.
Hardware | |||
laptop | Lenovo | X1 carbon | Any computer works. Recommended minimum configuration: 1GB extra hard disk space, 1 GB memory, 2.0MHz CPU |
Name | Company | Catalog Number | Comments |
Software | |||
Python 3.0 | WingWare | Wing Personal | Any python programming and running environments support Python version 3.0 or above |