Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Cancer Research
Click here for the English version

Cancer Research

Selecionando vários subconjuntos de biomarcador com Performances de classificação binária eficaz da mesma forma

Published: October 11, 2018 doi: 10.3791/57738
Automatic Translation
1, 1, 1, 2, 2, 2, 2, 2, 1, 3, 4, 1, 1
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

Summary

Algoritmos existentes geram uma solução para um dataset de deteção de biomarcador. Este protocolo demonstra a existência de múltiplas soluções similarmente eficazes e apresenta um software de fácil utilização para ajudar os investigadores biomédicos investigar seus conjuntos de dados para o desafio proposto. Cientistas de computador também podem fornecer esta funcionalidade em seu biomarcador algoritmos de detecção.

Abstract

Detecção de biomarcador é uma das mais importantes perguntas biomédicas para pesquisadores do elevado-throughput 'omics', e quase todos os algoritmos de detecção da biomarcador existentes geram um subconjunto de biomarcador com a medição de desempenho otimizado para um determinado conjunto de dados . No entanto, um estudo recente demonstrou a existência de vários subconjuntos de biomarcador com performances de classificação da mesma forma eficaz ou mesmo idênticas. Este protocolo apresenta uma metodologia simples e direta para a detecção de subconjuntos de biomarcador com performances de classificação binária, melhores do que um limite definido pelo usuário. O protocolo consiste de preparação de dados e carregamento, sumarização de informações de base, ajuste de parâmetro, triagem de biomarcador, resultado visualização e interpretação, anotações de gene biomarcador e exportação de resultado e visualização por qualidade de publicação. O biomarcador proposta estratégia de rastreio é intuitiva e demonstra uma regra geral para o desenvolvimento de algoritmos de detecção de biomarcador. Uma interface gráfica de fácil utilização (GUI) foi desenvolvida utilizando a linguagem de programação Python, permitindo que os pesquisadores biomédicos ter acesso direto aos seus resultados. O código-fonte e manual de kSolutionVis podem ser baixados de http://www.healthinformaticslab.org/supp/resources.php.

Introduction

Classificação binária, um dos mais comumente investigados e desafiadoras dados mineração problemas na área biomédica, é usado para construir um modelo de classificação treinado em dois grupos de amostras com a mais exata discriminação potência1, 2 , 3 , 4 , 5 , 6 , 7. no entanto, o grande volume de dados gerado no campo biomédico tem o inerente "grande p pequeno n" paradigma, com o número de características geralmente muito maiores do que o número de amostras6,8,9. Portanto, os pesquisadores biomédicos tem que reduzir a dimensão do recurso antes de utilizar os algoritmos de classificação para evitar o overfitting problema8,9. Biomarcadores de diagnóstico são definidos como um subconjunto das características detectadas, separando os pacientes de uma determinada doença de controle saudável amostras10,11. Os pacientes geralmente são definidos como as amostras positivas, e os controles saudáveis são definidos como as amostras negativas12.

Estudos recentes têm sugerido que existe mais de uma solução com performances de classificação idêntica ou similarmente eficaz para um conjunto de dados biomédicos5. Quase todos os algoritmos de seleção de recurso são algoritmos determinísticos, produzindo apenas uma solução para o mesmo conjunto de dados. Algoritmos genéticos simultaneamente podem gerar múltiplas soluções com desempenhos semelhantes, mas eles ainda tentam selecionar uma solução com a melhor função de aptidão como a saída para um determinado conjunto de dados13,14.

Algoritmos de seleção recurso aproximadamente podem ser agrupados como filtros ou invólucros12. Um algoritmo de filtragem escolhe as características dek top - ranking por sua associação significativa individual com os rótulos de binary classe com base na suposição de que dispõe são independentes do outro15,16,17 . Embora esta hipótese não prende verdadeira para quase todos os datasets de mundo real, a regra de filtragem heurística executa bem em muitos casos, por exemplo, o algoritmo mRMR (redundância de mínimo e máximo de relevância), o Wilcoxon teste baseado recurso de filtragem (WRank) algoritmo e o enredo ROC (característica de funcionamento do receptor), com base em algoritmo de filtragem (ROCRank). Flavia, é um algoritmo de filtragem eficiente porque calcula o problema combinatório de estimativa com uma série de problemas muito menores, comparando com o algoritmo de seleção de dependência máxima característica, cada uma das quais envolve apenas duas variáveis, e Portanto usa emparelhadas probabilidades de articulação, que são mais robustos18,19. No entanto, mRMR pode subestimar a utilidade de algumas características, como ele não mede as interações entre características que podem aumentar a relevância e assim perde algumas combinações de recurso que são individualmente inúteis, mas são úteis apenas quando combinado. O algoritmo de WRank calcula uma pontuação não-paramétricos de discriminativa como um recurso é entre duas classes de amostras e é conhecido por sua robustez para outliers20,21. Além disso, o algoritmo de ROCRank avalia como significativo a área sob o ROC curva (AUC) de um determinado recurso é para o desempenho de classificação binária investigadas22,23.

Por outro lado, um wrapper avalia desempenho do classificador pré-definidos de um subconjunto de determinado recurso, iterativamente, gerado por uma regra heurística e cria o subconjunto de recurso com o melhor desempenho de medição24. Um wrapper geralmente supera um filtro no desempenho classificação mas corre mais lento25. Por exemplo, o algoritmo de27 26,floresta aleatório regularizada (RRF) usa uma regra gananciosa, avaliando as características em um subconjunto de dados de treinamento em cada nó da floresta aleatório, pontuações de importância cujos recursos são avaliadas pelo índice de Gini . A escolha de um novo recurso será penalizada se o seu ganho de informações não melhorar isso das características escolhidas. Além disso, a análise de previsão de Microarrays (PAM)28,algoritmo de29 , também é um algoritmo de invólucro, calcula um centroide para cada um dos rótulos de classe e então seleciona recursos para encolher os centroides de gene em direção geral centroide da classe. PAM é robusta para características periféricas.

Várias soluções com o desempenho superior de classificação podem ser necessárias para qualquer determinado conjunto de dados. Em primeiro lugar, o objetivo da otimização de um algoritmo determinístico é definido por uma fórmula matemática, por exemplo, taxa de erro mínimo30, que não é necessariamente ideal para amostras biológicas. Em segundo lugar, um conjunto de dados pode ter soluções significativamente diferentes, de múltiplo, com performances similares de eficazes ou mesmo idênticas. Quase todos os algoritmos de seleção de recurso existente selecionará uma dessas soluções como a saída de31.

Este estudo irá introduzir um protocolo analítico de informática para gerar múltiplas soluções de seleção recurso com performances semelhantes para qualquer conjunto de dados de determinada classificação binária. Considerando que os pesquisadores mais biomédicos não estão familiarizados com técnicas de informáticos ou computador codificação, uma interface gráfica de fácil utilização (GUI) foi desenvolvida para facilitar a análise rápida de conjuntos de dados biomédicos classificação binária. O protocolo analítico consiste de carregamento de dados e resumindo, ajustar o parâmetro, execução de pipeline e interpretações do resultado. Com um simples clique, o pesquisador é capaz de gerar o biomarcador subconjuntos e parcelas de visualização de qualidade de publicação. O protocolo foi testado usando o transcriptomes de dois datasets de classificação binária de leucemia linfoblástica aguda (ALL), ou seja, ALL1 e ALL212. Os conjuntos de dados de ALL1 e ALL2 foram baixados do Broad Institute genoma análise centro de dados, disponível em http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 contém 128 amostras com 12.625 características. Estas amostras, 95 são células B todos e 33 são células T todos. ALL2 inclui 100 amostras com 12.625 características também. Estas amostras, há 65 pacientes que sofreram recaídas e 35 pacientes que não tinham. ALL1 foi um conjunto de dados de fácil classificação binária, com uma precisão mínima de quatro filtros e quatro invólucros sendo 96,7% e 6 dos algoritmos de seleção de 8 recurso atingir 100%12. Enquanto ALL2 foi um conjunto de dados mais difícil, com os algoritmos de seleção acima 8 recurso atingir não é melhor que a precisão de 83,7%12. Esta maior precisão foi alcançado com 56 características detectadas pelo algoritmo do invólucro, seleção de recurso baseado em correlação (CFS).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nota: O protocolo seguinte descreve os detalhes do procedimento analítico informática e pseudo códigos dos módulos principais. O sistema de análise automática foi desenvolvido usando Python versão 3.6.0 e os pandas de módulos Python, abc, numpy, scipy, sklearn, sys, PyQt5, sys, mRMR, matemática e matplotlib. Os materiais utilizados neste estudo são listados na Tabela de materiais.

1. preparar a matriz de dados e rótulos de classe

  1. Prepare o arquivo da matriz de dados como um arquivo delimitado por tabulação ou vírgula da matriz, conforme ilustrado na figura 1A.
    Nota: Cada linha tem todos os valores de um recurso, e o primeiro item é o nome do recurso. Uma característica é uma ID de probeset para o conjunto de dados de microarray-baseado transcriptoma ou pode ser outro valor ID como um resíduo de cisteína com seu valor de metilação em um dataset methylomic. Cada coluna dá os valores de recurso de uma determinada amostra, com o primeiro item, sendo o nome de amostra. Uma linha é separada em colunas por uma guia (figura 1B) ou uma vírgula (Figura 1). Um arquivo delimitado por tabulação matriz é reconhecido pelo TSV de extensão de arquivo e um arquivo delimitado por vírgula matriz tem a extensão. csv. Este arquivo pode ser gerado por salvar uma matriz como também o formato TSV ou CSV de software como o Microsoft Excel. A matriz de dados também pode ser gerada por computador codificação.
  2. Prepare o arquivo de rótulo de classe como um delimitado por tabulação ou vírgula arquivo matriz (Figura 1), semelhante ao arquivo da matriz de dados.
    Nota: A primeira coluna dá os nomes de amostra, e o rótulo de classe de cada amostra é dada na coluna intitulada classe. Compatibilidade máxima é considerada no processo de codificação, para que as colunas adicionais podem ser adicionadas. O arquivo de rótulo de classe pode ser formatado como um arquivo TSV ou CSV. Os nomes na coluna de classe podem ser quaisquer termos, e pode haver mais de duas classes de amostras. O usuário pode escolher quaisquer duas das classes para a análise a seguir.

2. carregar a matriz de dados e rótulos de classe

  1. Carrega os rótulos de matriz e classe de dados para o software. Clique no botão de matriz de dados de carga para escolher o arquivo de matriz de dados especificado pelo usuário. Clique no botão etiquetas de classe de carga para escolher o arquivo de rótulo de classe correspondente.
    Nota: Depois de ambos os arquivos são carregados, kSolutionVis irá realizar uma rotina tela da compatibilidade entre os dois arquivos.
  2. Resuma as características e as amostras do arquivo de dados de matriz. Estime o tamanho do arquivo de dados de matriz.
  3. Resuma as amostras e as classes do arquivo de rótulo de classe. Estime o tamanho do arquivo de rótulo de classe.
  4. Teste se cada amostra da matriz de dados tem um rótulo de classe. Resuma os números das amostras com os rótulos de classe.

3. resuma e exibir as estatísticas de base do conjunto de dados

  1. Clique no botão resumir, sem qualquer palavra-chave especificada de entrada, e o software irá exibir 20 recursos indexados e os nomes de recursos correspondente.
    Nota: Os usuários precisam especificar o nome do recurso que desejam encontrar para ver suas estatísticas de base e a distribuição do valor correspondente entre todas as amostras de entrada.
  2. Fornece uma palavra-chave, por exemplo, "1000_at", na caixa de texto recurso localizar um recurso específico para ser resumido. Clique no botão resumir para obter as estatísticas de base para esse determinado recurso.
    Nota: A palavra-chave pode aparecer em qualquer lugar nos nomes de recurso de destino, facilitando o processo de pesquisa para os usuários.
  3. Clique no botão resumir para encontrar mais de um recurso com a determinada palavra-chave e em seguida, especificar o ID de recurso exclusivo para prosseguir com o passo acima de resumir uma característica particular.

4. determine as etiquetas de classe e o número de características de ranking

  1. Escolha os nomes das classes de negativo ("N (95)") e positivos ("P (33)") na caixa dropdown Classe positivos e Negativos de classe, conforme mostrado na Figura 2 (médio).
    Nota: É aconselhável para escolher que um dataset de classificação binária balanceada, ou seja, a diferença entre o número de amostras positivas e negativas é mínimo. O número de amostras é também dada entre parênteses após o nome de cada rótulo de classe nas duas caixas dropdown.
  2. Escolha 10 como o número de características de ranking (parâmetro pTopX) na caixa de lista suspensa Top_X (?) para uma tela completa do recurso-subconjunto.
    Nota: O software automaticamente classifica todos os recursos pelo P-valor calculado por um t-teste de cada recurso, comparando as classes positivas e negativas. Um recurso com uma menor P-valor tem um poder melhor discriminar entre as duas classes de amostras. O módulo de rastreio abrangente é computacionalmente intensivo. O parâmetro pTopX é 10 por padrão. Os usuários podem alterar este parâmetro na faixa de 10 a 50, até encontrarem satisfazendo apresentam subconjuntos com performances de boa classificação.

5. ajustar parâmetros do sistema para diferentes desempenhos

  1. Escolha a medição de desempenho (pMeasurement), precisão (Acc) na caixa de lista suspensa Acc/bAcc (?) para o classificador selecionado extrema aprendizagem máquina (ELM). Outra opção deste parâmetro é a medição precisão equilibrada (bAcc).
    Nota: Deixe o TP, FN, TN, e FP ser os números positivos verdadeiros, falsos negativos, verdadeiros negativos e falsos positivos, respectivamente. A medição Acc é definida como (TP+TN)/(TP+FN+TN+FP), que funciona melhor em um conjunto equilibrado de dados6. Mas um classificador otimizado para Acc tende a atribuir todas as amostras à classe negativo se o número de amostras negativas é muito maior do que os positivos. A bAcc é definido como (Sn + Sp) / 2, onde Sn = TP/(TP+FN) e Sp = TN/(TN+FP) são as taxas corretamente previstas para o positivo e negativo amostras, respectivamente. Portanto, bAcc normaliza as performances de previsão sobre as duas classes e pode levar a um desempenho equilibrado previsão sobre duas classes desbalanceadas. ACC é a escolha de padrão de pMeasurement. O software usa o classificador ELM por padrão para calcular as performances de classificação. O usuário também pode escolher um classificador de SVM (Support Vector Machine), KNN (k vizinho mais próximo), árvore de decisão ou Naïve Bayes.
  2. Escolha o valor de corte 0.70 (parâmetro pCutoff) para a medição de desempenho especificado na caixa de entrada pCutoff:.
    Nota: Tanto Acc e bAcc variam entre 0 e 1, e o usuário pode especificar um valor pCutoffEquation[0, 1] como o corte para exibir as soluções correspondentes. O software realiza um recurso abrangente-subconjunto de rastreio, e uma escolha apropriada de pCutoff fará a visualização em 3D mais intuitiva e explícita. O valor padrão para pCutoff é 0,70.

6. Execute o Pipeline e produzir os resultados visualizados interativos

  1. Clique no botão Analyze para executar o pipeline e gerar as parcelas de visualização, como mostrado na Figura 2 (abaixo).
    Nota: A tabela à esquerda dá todos os subconjuntos de recurso e seus pMeasurement calculado pela estratégia de validação cruzada 10 vezes do classificador ELM, conforme descrito previamente5. Dois gráficos de dispersão 3D e parcelas de duas linhas são geradas para o procedimento de rastreio de recurso-subconjunto com as atuais configurações de parâmetro.
  2. Escolha 0.70 como o valor padrão de pMeasurement corte (parâmetro piCutoff, caixa de entrada valor) e 10 como o padrão do número de subconjuntos de recurso melhores (parâmetro piFSNum).
    Nota: O gasoduto é executado usando os parâmetros pTopX, pMeasurement e pCutoff. O recurso detectado subconjuntos podem ser ainda mais selecionados usando o corte piCutoff, porém piCutoff não pode ser menor do que pCutoff. Portanto, piCutoff é inicializado como pCutoff e apenas os subconjuntos de recurso com a medição de desempenho ≥ piCutoff vão ser visualizados. O valor padrão de piCutoff é pCutoff. Às vezes o kSolutionVis detecta muitas soluções e apenas os melhores piFSNum (padrão: 10) subconjuntos de recurso vão ser visualizados. Se o número de subconjuntos de característica detectado pelo software for menor que piFSNum, todos os subconjuntos de recurso vão ser visualizados.
  3. Coletar e interpretar as características detectadas pelo software, conforme mostrado na Figura 3.
    Nota: A tabela na caixa da esquerda mostra os subconjuntos de recurso detectados e suas medições de desempenho. Os nomes das três primeiras colunas são "F1", "F2" e "F3". As três características em cada subconjunto de recurso são dadas em sua ordem de classificação em uma linha (F1 < F2 < F3). A última coluna dá a medição de desempenho (Acc ou bAcc) de cada subconjunto de recurso, e seu nome de coluna (Acc ou bAcc) é o valor do pMeasurement.

7. interpretar o 3D Scatter Plots-Visualizar e interpretar os subconjuntos de recurso com Performances de classificação binária similarmente eficaz usando gráficos de dispersão 3D

  1. Clique no botão Analyze para gerar o 3D de dispersão dos subconjuntos de 10 recurso top com os melhores desempenhos de classificação (Acc ou bAcc) detectado pelo software, conforme mostrado na Figura 3 (caixa central). Classificar os três recursos em um subconjunto de recurso em ordem crescente de suas fileiras e use as fileiras das três características como os eixos de F1/F2/F3, ou seja, F1 < F2 < F3.
    Nota: A cor de um ponto representa o desempenho de classificação binária do subconjunto correspondente recurso. Um dataset pode ter vários subconjuntos de recurso com medições de desempenho eficaz da mesma forma. Portanto, um interativo e simplificado de dispersão é necessário.
  2. Altere o valor de 0,70 na caixa de entrada pCutoff: e clique no botão Analyze para gerar o gráfico de dispersão 3D dos subconjuntos de recurso com o desempenho medição ≥ piCutoff, como pode ser visto na Figura 3 (caixa direita). Clique no botão de ajuste de 3D para abrir uma nova janela para ajustar manualmente os ângulos de visão de 3D o gráfico de dispersão.
    Nota: Cada subconjunto de recurso é representado por um ponto da mesma forma como acima. O gráfico de dispersão 3D foi gerado no ângulo padrão. Para facilitar a visualização em 3D e tuning, outra janela será aberta clicando no botão de ajuste de 3D.
  3. Clique no botão reduzir para reduzir a redundância de subconjuntos a característica detectado.
    Nota: Se os usuários desejam mais selecionar os trigêmeos de recurso e minimizar a redundância de subconjuntos a característica, o software também oferece essa função usando o algoritmo de seleção de recurso mRMR. Após clicar no botão reduzir , kSolutionVis irá remover esses recursos redundantes em trigêmeos o recurso e regenerar a tabela e os dois dispersam parcelas mencionadas acima. As características removidas de trigêmeos o recurso serão substituídas pela palavra chave na tabela. Os valores de None no eixo F1/F2/F3 irão ser denotados como o valor de piFSNum (o intervalo entre o valor normal de F1/F2/F3 é [1, top_x]). Portanto, os pontos que incluem um valor nenhum podem parecer ser parcelas de pontos de "outlier" em 3D. Os terrenos 3D manualmente ajustáveis podem ser encontrados em "Sintonia Manual dos terrenos 3D dot" no material complementar.

8. encontrar o Gene anotações e suas associações com doenças humanas

Nota: Os passos 8 a 10 irão ilustrar como anotar um gene do nível de sequência de DNA e proteína. Em primeiro lugar, o símbolo do gene de cada ID de biomarcador das etapas acima será recuperado do banco de dados de DAVID32, e depois de dois servidores web representante serão usados para analisar este símbolo de gene dos níveis de DNA e proteínas, respectivamente. O servidor GeneCard fornece uma abrangente anotação funcional de um símbolo de determinado gene e a herança mendeliana Online no banco de dados do homem (OMIM) fornece a curadoria mais abrangente das associações de doença genética. O servidor UniProtKB é um dos mais completo banco de dados da proteína, e o servidor sistema de predição baseada em grupo (GPS) prevê a sinalização fosforilação para obter uma lista muito grande de quinases.

  1. Copie e cole o link de web da base de dados de DAVID em um navegador da web e abra a página web deste banco de dados. Clique no link Gene ID conversão visto na Figura 4A e entrada o recurso IDs 38319_at/38147_at/33238_at do primeiro subconjunto de biomarcador de dataset ALL1 (Figura 4B). Clique no link Lista de Gene e clique em Enviar a lista , como mostrado na Figura 4B. Recuperar as anotações de interesse e clique em Mostrar lista de Gene (Figura 4). Obter a lista de símbolos de gene (Figura 4).
    Nota: Os símbolos de gene obtidos aqui serão usados para ainda mais funcionais anotações nas próximas etapas.
  2. Copie e cole o link de web da base de dados de cartões de Gene em um navegador da web e abra a página web deste banco de dados. Procurar o nome de um gene CD3D na caixa de entrada de consulta de banco de dados e encontrar as anotações deste gene de Gene cartões33,34, conforme mostrado na tabela 1 e Figura 5A.
    Nota: Cartões de Gene é uma base de conhecimento abrangente de gene, fornecendo a nomenclatura, genômica, proteômica, Localização subcellular e vias envolvidas e outros módulos funcionais. Ele também fornece links externos para vários outros bancos de dados biomédicos como Apo/PDB_REDO35, Entrez Gene36, OMIM37e UniProtKB38. Se o nome de recurso não é um símbolo de gene padrão, use o banco de dados ENSEMBL para convertê-lo39. CD3D é o nome do gene do Receptor de células T T3 Delta cadeia.
  3. Copie e cole o link de web de banco de dados OMIM em um navegador da web e abra a página web deste banco de dados. Nome de um gene CD3D de busca e encontrar as anotações deste gene do banco de dados OMIM37, conforme mostrado na tabela 1 e Figura 5B.
    Nota: OMIM serve agora como uma das fontes mais abrangentes e autoritária de conexões de genes humanos com doenças hereditárias. OMIM foi iniciado pelo Dr. Victor A. McKusick para catalogar as mutações genéticas associadas a doença40. OMIM agora, abrange 15.000 genes humanos e mais de 8.500 fenótipos, a partir de dezembro de 1st 2017.

9. anotar as proteínas codificadas e as modificações borne-translational

  1. Copie e cole o link de web de banco de dados UniProtKB em um navegador da web e abra a página web deste banco de dados. Busca o nome de um gene CD3D na caixa de entrada de consulta de UniProtKB e encontrar as anotações deste gene do banco de dados38, conforme mostrado na tabela 1 e Figura 5.
    Nota: UniProtKB recolhe uma fonte rica de anotações para proteínas, incluindo tanto informações funcionais e nomenclatura. Este banco de dados também fornece links externos para outros bancos de dados amplamente utilizados, incluindo PDB/PDB_REDO35, OMIM37e Pfam41.
  2. Copie e cole o link da web do servidor de web do GPS em um navegador da web e abra a página web do servidor web. Recuperar a sequência da proteína codificada pelo gene biomarcador CD3D o banco de dados de UniProtKB38 e prever resíduos de modificação pós-traducional (PTM) da proteína usando a ferramenta on-line GPS, conforme mostrado na tabela 1 e Figura 5.
    Nota: Um sistema biológico é dinâmico e complicado, e os bancos de dados existentes coletam apenas informações conhecidas. Portanto, ferramentas on-line de previsão biomédica, bem como programas off-line podem proporcionar evidência útil para complementar um mecanismo hipotético. GPS foi desenvolvido e melhorado por mais de 12 anos7,42 e pode ser usada para prever a resíduos de uma proteína PTM em uma sequência de determinado peptídeo43,44. Ferramentas também estão disponíveis para vários tópicos de pesquisa, incluindo a previsão de uma proteína Localização subcellular45 e transcrição fator vinculação motivos 46 entre outros.

10. anotar seus módulos funcionais enriquecidos e interações da proteína-proteína

  1. Copie e cole o link da web do servidor web String em um navegador da web e abra a página web do servidor web. Pesquisar a lista para os genes CD3D e P53 e encontrar suas propriedades orquestradas usando o banco de dados String47. O mesmo procedimento pode ser realizado usando outro servidor web, DAVID32.
    Nota: Além das anotações acima mencionadas para genes individuais, existem muitas ferramentas de informática em grande escala disponíveis para investigar as propriedades de um grupo de genes. Um estudo recente demonstrou que os genes marcadores individualmente ruim podem constituir um conjunto muito melhor gene5. Portanto, vale o custo computacional para triagem de biomarcadores mais complicados. O banco de dados de sequência de caracteres pode visualizar as conexões de interação conhecidas ou previstas, e o servidor de David pode detectar os módulos funcionais com fenótipo-associações significativas no consultado genes47,32. Várias outras ferramentas de análise de informática em grande escala também estão disponíveis.

11. exportar os subconjuntos de biomarcador gerado e as parcelas de visualização

  1. Exporte os subconjuntos de biomarcador detectado como um arquivo de texto de TSV ou CSV para uma análise mais aprofundada. Clique no botão exportar a tabela sob a tabela de todos os subconjuntos de biomarcador detectado e escolher qual formato de texto para salvar como.
  2. Exporte as parcelas de visualização como um arquivo de imagem. Clique no botão salvar em cada parcela e escolher qual formato de imagem para salvar como.
    Nota: O software suporta o formato de pixel. png e o vetor formato SVG. As imagens de pixel são bons para a exibição na tela do computador, enquanto as imagens vetoriais podem ser convertidas em qualquer resolução necessária para fins de publicação do jornal.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

O objetivo do fluxo de trabalho (Figura 6) é detectar vários subconjuntos de biomarcador com eficiência similar para um dataset de classificação binária. Todo o processo é ilustrado por dois conjuntos de dados exemplo ALL1 e ALL2, extraído de uma detecção de biomarcador recentemente publicado estudo12,,48. Um usuário pode instalar kSolutionVis, seguindo as instruções nos materiais suplementares.

DataSet ALL1 perfilado 12 625 transcriptomic características de 95 células B e células T 33 todas as amostras de sangue do paciente. Enquanto o dataset ALL2 detectado os níveis de expressão de 12 625 de transcriptomic de recursos para 65 todos os pacientes que teve uma recaída após o tratamento e 35 todos os pacientes que não fizeram. Para conveniência do usuário, ambos os conjuntos de dados transcriptomic e seus rótulos de classe são fornecidos na versão 1.4 do software. Ambos os conjuntos de dados estão no subdiretório "dados" do diretório do código fonte do software.

Os dois conjuntos de dados, ALL1 e ALL2, foram formatados como arquivos. csv e carregados para o software utilizando os botões de carga classe rótulos e matriz de dados de carga , conforme mostrado na Figura 7A-B. Figura 7A mostra que todos os 128 amostras com 12 625 características foram carregadas, e todos os 128 amostras também têm rótulos de classe. A matriz de dados finais tem 95 amostras negativas (célula B todos) e 33 amostras positivas (células T todos). Além disso, os usuários também podem determinar qual rótulo de classe é o rótulo de classe positivo (Figura 7A, inferior). Se o arquivo de rótulo de classe define mais de duas classes, os usuários podem querer escolher quais rótulos de dois classe para investigar. Operações semelhantes também foram conduzidas para o dataset difícil ALL2, conforme mostrado na Figura 7B.

As distribuições de valor dos recursos na matriz de dados podem ser investigadas clicando no botão resumir ao procurarar por uma palavra-chave específica do usuário, os nomes de recurso, conforme mostrado na Figura 8. Figura 8A ilustra o histograma de recurso 1012_at no dataset ALL1. Além disso, como visto na Figura 8B, o mesmo 1012_at de recurso tem uma distribuição similar de expressão em ambos os conjuntos de dados. Se nenhuma palavra-chave foi especificado pelo usuário, são listados alguns nomes de recurso para ajudar os usuários a decidir quais recursos para resumir.

O conjunto de dados mais fácil ALL1 projectado o top 10 ranking apresenta (pTopX) para subconjuntos de biomarcador com o pMeasurement Acc ≥ 0,90 (pCutoff). Após clicar no botão executar, o algoritmo foi executado e os resultados como visto na Figura 9A, foram ilustrados na parte inferior do software após alguns segundos. A partir disso, 120 subconjuntos de biomarcador qualificado foram detectados e listados na tabela a esquerda da Figura 9A. ALL1 foi um dataset fácil-para-discriminar, em que ele tem 57 subconjuntos de biomarcador de triplet com 100% na Acc. Este protocolo enfatiza a existência de múltiplas soluções similarmente eficazes para um problema de classificação binária. Portanto, o primeiro 3D de dispersão pode ilustrar mais de 10 subconjuntos de biomarcador (parâmetro piFSNum), se eles têm a classificação de desempenho Acc (parâmetro pMeasurement) ≥ que dos 10 melhores classificados (parâmetro piFSNum ) subconjunto biomarcador. O usuário também pode optar por exibir subconjuntos de biomarcador menos alterando o parâmetro piCutoff no parâmetro caixa acima da tabela na Figura 9A. A sintonia manual dos terrenos 3D pode ser encontrado na seção sintonia Manual do ponto 3D plota no material complementar.

Além disso, todos os resultados podem ser exportados como arquivos externos para uma análise mais aprofundada, clicando no botão exportar a tabela sob as parcelas tabela ou dispersão, conforme mostrado na Figura 9.

O primeiro subconjunto de biomarcador (38319_at, 38147_at e 33238_at) para o dataset ALL1 foi escolhido para investigações funcionais, como mostrado na Figura 9. O módulo de pesquisa de ENSEMBL (http://useast.ensembl.org/Multi/Search/New?db=core) anotada essas três características como um cluster do gene do delta de diferenciação 3 (CD3D, 38319_at), gene associado a molécula de sinalização de ativação linfocítica (SH2D1A, 38147_at ) e linfócitos células específicas da proteína-tirosina quinase (LCK, 33238_at). Além disso, o banco de dados de associação de gene-doença OMIM37,40 sugeriu que o gene CD3D codifica a subunidade delta das células T antígeno complexo receptor e está envolvido com a translocação 11q23 frequentemente observada em aguda leucemia em humanos49,50. OMIM também sugeriu que genômica mutações no gene da SH2D1A na região do cromossoma de Xq25 pode ser associado com a leucemia de células B51,52. Além disso, OMIM também destacou uma possível célula T todos os evento associado a fusão da LCK e beta T-cell receptor (TCRB)53. Os usuários podem investigar outros aspectos funcionais destes biomarcadores com seus símbolos de gene, por exemplo, anotações de função do gene de Entrez Gene36, anotações de função da proteína no UniProtKB38 ou Pfam41, proteína 3D estruturas em PDB/PDB_REDO35e resíduos PTM no GPS7,42,,43,44. A interação sub rede (banco de dados de sequência de caracteres47) e módulos funcionais enriquecidos (banco de dados de David32) também podem ser selecionados para estes biomarcadores como uma totalidade. Vários outros bancos de dados ou servidores web também podem facilitar as anotações e previsões em silico usando os símbolos ou sequências de genes/proteínas primária destes genes.

Como pode ser visto na tabela 2, a necessidade de detectar mais de uma solução com performances idênticas ou similarmente eficazes é evidente, com 57 grupos de características com precisão de classificação binária de 100% entre células B e células T todas as amostras. Estes subconjuntos de biomarcador específico foram chamados as soluções perfeitas. Alguns biomarcadores apareceram nestas soluções perfeitas repetidamente, sugerindo que eles podem representar as principais diferenças, a nível molecular, entre B e T-células todas. Se o algoritmo de detecção de biomarcador para em detectar a primeira solução perfeita de três genes CD3D/SH2D1A/LCK, outra solução perfeita CD74/HLA-DPB1/PRKCQ vai fazer falta. Por exemplo, HLA-DPB1 é conhecido por ser significativamente associado com o T-cell pediátrico todos, mas não células B todos os54.

As três características do primeiro subconjunto de biomarcador de ALL2 foram 1 do B (CHAF1B, 36912_at), exonuclease 1 (EXO1, 36041_at), do fator de montagem da cromatina e sinal de transdutor e ativador da transcrição 6 (STAT6, 41222_at). CHAF1B observou-se a ser altamente expressa em linhas de células de leucemia e o anticorpo contra a proteína CHAF1B codificado foi desenvolvido significativamente em pacientes de leucemia mieloide aguda (LMA)55. EXO1 foi perdido em alguns casos de leucemia aguda56e upregulated na linha de células de leucemia HL-60 [R]. Também verificou a regular negativamente o alongamento alternativo do percurso de telômeros (ALT), que facilitou a formação de ALT-associado PML (leucemia promielocítica) corpos (APBs)57. STAT6 foi fosforilada para ativar a pro-sobrevivência e proliferativa sinalização via nos casos de recaída AML58. Tomados em conjunto, os três genes foram associados com o desenvolvimento e a recaída da leucemia, mas nenhuma evidência explícita foi publicada em suas associações com a recaída de todos. Isso pode representar um tema interessante para investigação futura.

O mesmo procedimento de anotação pode ser realizado em qualquer subconjunto de biomarcador para ALL1 e ALL2. Os três biomarcadores investigados na seção acima não foram identificados como uma recaída biomarcadores no dataset ALL2, conforme mostrado na Figura 9B. Isto sugere que biomarcadores são específicos do fenótipo, que é outro grande desafio para a deteção de biomarcador, juntamente com a existência de múltiplas soluções eficazes da mesma forma.

Alguns módulos técnicos foram implementados e descritos aqui para os usuários interessados. O módulo de manipulação de erro fornece mensagens informativas para o usuário quando ocorrerem erros durante a execução do software. As mensagens de erro principais são listadas e explicadas em "Mensagens de erro" no material complementar. Um cálculo paralelo dos biomarcadores foi implementado para computadores com mais de um núcleo de CPU. As melhorias detalhadas para o tempo de execução podem ser encontradas em "Paralelo em tempo de execução" no material complementar. Os dados sugerem que o uso de mais núcleos de CPU pode não melhorar o tempo de execução devido ao custo de alternar entre diferentes núcleos de CPU.

Figure 1
Figura 1: O conjunto de dados de exemplo extraído do transcriptoma dataset ALL1 tem as características primeiro seis das nove primeiras amostras de ALL1. A matriz de dados foi formatada em (a) a forma de visualização, (b) o arquivo de formato de texto delimitado por tabulação e (c) o arquivo de formato de texto delimitado por vírgulas. (d) os dados do rótulo de classe foi formatados sob a forma de visualização. Devido a guia caractere é invisível, é ilustrado em (b) como [TAB] . A coluna plataforma dá a plataforma de microarray Carla em (b) e não é uma coluna de dados necessários. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: interface gráfica do usuário do software. As estatísticas de base são resumidas na caixa superior esquerda. Os usuários podem procurar características de interesse e investigar as distribuições de valor nas duas caixas direita superiores. Todos os parâmetros para o procedimento de deteção de biomarcador poderão ser sintonizados na barra horizontal intermediária. Todos os subconjuntos de biomarcador e suas distribuições visualizadas correspondentes podem ser encontradas na parte inferior. Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: biomarcador subconjuntos e suas visualizações geradas. Os usuários podem refinar ainda mais a tabela e dois gráficos de dispersão 3D usando os parâmetros piCutoff e piFSNum. Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: anotações de Gene do recurso IDs detectados neste estudo. Leve o três recurso identificações 38319_at/38147_at/33238_at do primeiro subconjunto do conjunto de dados ALL1 biomarcador. (a) obter o módulo de conversão de ID, clicando no link Gene ID conversão. (b) entrada o recurso IDs na caixa vermelha 1, escolha o tipo de recurso na caixa vermelha 2 (padrão "AFFYMETRIX_3PRIME_IVT_ID" é correto para este estudo), escolha Lista de Gene no vermelho caixa 3 e clique em Enviar lista na caixa vermelho 4. (c) todas as anotações funcionais entrar nesta página e clique em Mostrar lista de Gene para obter os símbolos de gene desses recursos consultado. (d) obter os símbolos de gene de IDs característica consultado. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: anotações e análise de enriquecimento dos subconjuntos a característica detectado. um anotações de Gene do Gene Card. (B) OMIM descreve as associações da doença de cada recurso/gene. (c) anote a proteína codificada pelo gene de interesse no banco de dados UniProtKB. (d) prever os resíduos de fosforilação de tirosina da proteína determinado usando a ferramenta on-line GPS. Uma caixa vermelha foi adicionada para mostrar o usuário onde clique para consultar os dados de entrada. A sequência primária da proteína CD3D pode ser obtida como o formato FASTA da caixa do vermelho (c) e de entrada na janela de consulta, por exemplo clique na caixa vermelha na (d). Clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6: fluxo de trabalho de kSolutionVis. Cada módulo do software foi descrito no protocolo acima. Clique aqui para ver uma versão maior desta figura.

Figure 7
Figura 7: estatísticas de base de dois conjuntos de dados representativos. O número de amostras, características e classes em ALL1 (a) e (b) ALL2 é calculado. Os tamanhos dos arquivos dos rótulos de matriz e classe de dados também são detectados. E uma nova matriz de dados é extraído das amostras com etiquetas da classe. Clique aqui para ver uma versão maior desta figura.

Figure 8
Figura 8: visualização do histograma do recurso 1012_at em dois conjuntos de dados. Tanto as estatísticas de base e histograma foram gerados para ALL1 (a) e (b) ALL2. Clique aqui para ver uma versão maior desta figura.

Figure 9
Figura 9: biomarcador subconjuntos e a dispersão de dois conjuntos de dados. Os usuários podem alterar os parâmetros da segunda linha de caixas de parâmetro para refinar as listas de subconjuntos de biomarcador e 3D dispersão plota para os conjuntos de dados ALL1 (a) e (b) ALL2. Clique aqui para ver uma versão maior desta figura.

Web site Link Funcionalidade de
GeneCards http://www.Genecards.org/cgi-bin/carddisp.pl?gene=CD3D Anotação de genes
OMIM https://OMIM.org/entry/186790?Search=CD3D&highlight=CD3D Associação do gene da doença
UniProtKB http://www.uniprot.org/uniprot/P04234 Anotação de proteína
GPS http://GPS.biocuckoo.org/ Previsão de PTM da proteína
Sequência de caracteres https://String-DB.org/ Interação da proteína-proteína
David https://David.ncifcrf.gov/ Análise de enriquecimento do conjunto do gene

Tabela 1. Sites para anotando e analisando os biomarcadores detectados. Uma lista de ferramentas online úteis que ajudam a anotar os biomarcadores detectados.

F1 F2 F3 ACC Symbol1 Symbol2 Symbol3
38319_at 38147_at 33238_at 1.0000 CD3D SH2D1A LCK
33238_at 35016_at 37039_at 1.0000 LCK CD74 HLA-DRA
38147_at 33238_at 35016_at 1.0000 SH2D1A LCK CD74
38147_at 33238_at 2059_s_at 1.0000 SH2D1A LCK LCK
38147_at 33238_at 37039_at 1.0000 SH2D1A LCK HLA-DRA
38147_at 33238_at 38095_i_at 1.0000 SH2D1A LCK HLA-DPB1
38147_at 33238_at 33039_at 1.0000 SH2D1A LCK TRAT1
38147_at 35016_at 2059_s_at 1.0000 SH2D1A CD74 LCK
38147_at 35016_at 33039_at 1.0000 SH2D1A CD74 TRAT1
38147_at 35016_at 38949_at 1.0000 SH2D1A CD74 PRKCQ
38147_at 2059_s_at 37039_at 1.0000 SH2D1A LCK HLA-DRA
38147_at 2059_s_at 38095_i_at 1.0000 SH2D1A LCK HLA-DPB1
38147_at 37039_at 33039_at 1.0000 SH2D1A HLA-DRA TRAT1
38147_at 37039_at 38949_at 1.0000 SH2D1A HLA-DRA PRKCQ
38319_at 38147_at 35016_at 1.0000 CD3D SH2D1A CD74
38147_at 38833_at 38949_at 1.0000 SH2D1A HLA-DPA1 PRKCQ
33238_at 35016_at 33039_at 1.0000 LCK CD74 TRAT1
38319_at 38833_at 38949_at 1.0000 CD3D HLA-DPA1 PRKCQ
33238_at 35016_at 38949_at 1.0000 LCK CD74 PRKCQ
33238_at 2059_s_at 37039_at 1.0000 LCK LCK HLA-DRA
33238_at 37039_at 38095_i_at 1.0000 LCK HLA-DRA HLA-DPB1
33238_at 37039_at 33039_at 1.0000 LCK HLA-DRA TRAT1
33238_at 37039_at 38949_at 1.0000 LCK HLA-DRA PRKCQ
33238_at 38095_i_at 38949_at 1.0000 LCK HLA-DPB1 PRKCQ
33238_at 38833_at 38949_at 1.0000 LCK HLA-DPA1 PRKCQ
33238_at 33039_at 38949_at 1.0000 LCK TRAT1 PRKCQ
35016_at 2059_s_at 33039_at 1.0000 CD74 LCK TRAT1
35016_at 2059_s_at 38949_at 1.0000 CD74 LCK PRKCQ
35016_at 38095_i_at 38949_at 1.0000 CD74 HLA-DPB1 PRKCQ
2059_s_at 37039_at 33039_at 1.0000 LCK HLA-DRA TRAT1
2059_s_at 38095_i_at 38949_at 1.0000 LCK HLA-DPB1 PRKCQ
2059_s_at 38833_at 38949_at 1.0000 LCK HLA-DPA1 PRKCQ
38319_at 33039_at 38949_at 1.0000 CD3D TRAT1 PRKCQ
38147_at 38095_i_at 38949_at 1.0000 SH2D1A HLA-DPB1 PRKCQ
38319_at 33238_at 38833_at 1.0000 CD3D LCK HLA-DPA1
38319_at 2059_s_at 38833_at 1.0000 CD3D LCK HLA-DPA1
38319_at 33238_at 33039_at 1.0000 CD3D LCK TRAT1
38319_at 33238_at 38095_i_at 1.0000 CD3D LCK HLA-DPB1
38319_at 33238_at 37039_at 1.0000 CD3D LCK HLA-DRA
38319_at 35016_at 38833_at 1.0000 CD3D CD74 HLA-DPA1
38319_at 33238_at 2059_s_at 1.0000 CD3D LCK LCK
38319_at 35016_at 33039_at 1.0000 CD3D CD74 TRAT1
38319_at 33238_at 35016_at 1.0000 CD3D LCK CD74
38319_at 35016_at 38949_at 1.0000 CD3D CD74 PRKCQ
38319_at 2059_s_at 37039_at 1.0000 CD3D LCK HLA-DRA
38319_at 38147_at 38949_at 1.0000 CD3D SH2D1A PRKCQ
38319_at 38147_at 33039_at 1.0000 CD3D SH2D1A TRAT1
38319_at 33238_at 38949_at 1.0000 CD3D LCK PRKCQ
38319_at 2059_s_at 38095_i_at 1.0000 CD3D LCK HLA-DPB1
38319_at 38147_at 38833_at 1.0000 CD3D SH2D1A HLA-DPA1
38319_at 2059_s_at 33039_at 1.0000 CD3D LCK TRAT1
38319_at 38147_at 38095_i_at 1.0000 CD3D SH2D1A HLA-DPB1
38319_at 37039_at 33039_at 1.0000 CD3D HLA-DRA TRAT1
38319_at 38147_at 37039_at 1.0000 CD3D SH2D1A HLA-DRA
38319_at 38147_at 2059_s_at 1.0000 CD3D SH2D1A LCK
38319_at 2059_s_at 38949_at 1.0000 CD3D LCK PRKCQ
38319_at 35016_at 2059_s_at 1.0000 CD3D CD74 LCK
2059_s_at 37039_at 38095_i_at 0.9922 LCK HLA-DRA HLA-DPB1
35016_at 33039_at 38949_at 0.9922 CD74 TRAT1 PRKCQ
2059_s_at 37039_at 38949_at 0.9922 LCK HLA-DRA PRKCQ
35016_at 2059_s_at 37039_at 0.9922 CD74 LCK HLA-DRA
35016_at 37039_at 38949_at 0.9922 CD74 HLA-DRA PRKCQ
35016_at 38833_at 38949_at 0.9922 CD74 HLA-DPA1 PRKCQ
2059_s_at 33039_at 38949_at 0.9922 LCK TRAT1 PRKCQ
37039_at 38833_at 38949_at 0.9922 HLA-DRA HLA-DPA1 PRKCQ
37039_at 33039_at 38949_at 0.9922 HLA-DRA TRAT1 PRKCQ
38319_at 38095_i_at 38949_at 0.9922 CD3D HLA-DPB1 PRKCQ
33238_at 37039_at 38833_at 0.9922 LCK HLA-DRA HLA-DPA1
38095_i_at 33039_at 38949_at 0.9922 HLA-DPB1 TRAT1 PRKCQ
33238_at 2059_s_at 38949_at 0.9922 LCK LCK PRKCQ
38319_at 38833_at 33039_at 0.9922 CD3D HLA-DPA1 TRAT1
38833_at 33039_at 38949_at 0.9922 HLA-DPA1 TRAT1 PRKCQ
38147_at 33039_at 38949_at 0.9922 SH2D1A TRAT1 PRKCQ
38319_at 37039_at 38833_at 0.9922 CD3D HLA-DRA HLA-DPA1
38147_at 2059_s_at 38949_at 0.9922 SH2D1A LCK PRKCQ
38147_at 38095_i_at 38833_at 0.9922 SH2D1A HLA-DPB1 HLA-DPA1
38147_at 33238_at 38949_at 0.9922 SH2D1A LCK PRKCQ
38147_at 2059_s_at 33039_at 0.9922 SH2D1A LCK TRAT1
38319_at 37039_at 38949_at 0.9922 CD3D HLA-DRA PRKCQ
38319_at 38095_i_at 38833_at 0.9922 CD3D HLA-DPB1 HLA-DPA1
38147_at 2059_s_at 38833_at 0.9922 SH2D1A LCK HLA-DPA1
33238_at 35016_at 2059_s_at 0.9922 LCK CD74 LCK
38319_at 35016_at 38095_i_at 0.9922 CD3D CD74 HLA-DPB1
33238_at 35016_at 38095_i_at 0.9922 LCK CD74 HLA-DPB1
38319_at 35016_at 37039_at 0.9922 CD3D CD74 HLA-DRA
38147_at 33238_at 38833_at 0.9922 SH2D1A LCK HLA-DPA1
38147_at 37039_at 38095_i_at 0.9844 SH2D1A HLA-DRA HLA-DPB1
38147_at 35016_at 38833_at 0.9844 SH2D1A CD74 HLA-DPA1
38147_at 35016_at 38095_i_at 0.9844 SH2D1A CD74 HLA-DPB1
35016_at 2059_s_at 38095_i_at 0.9844 CD74 LCK HLA-DPB1
38147_at 37039_at 38833_at 0.9844 SH2D1A HLA-DRA HLA-DPA1
35016_at 2059_s_at 38833_at 0.9844 CD74 LCK HLA-DPA1
38319_at 37039_at 38095_i_at 0.9844 CD3D HLA-DRA HLA-DPB1
37039_at 38095_i_at 38949_at 0.9844 HLA-DRA HLA-DPB1 PRKCQ
38147_at 38833_at 33039_at 0.9844 SH2D1A HLA-DPA1 TRAT1
38095_i_at 38833_at 38949_at 0.9844 HLA-DPB1 HLA-DPA1 PRKCQ
33238_at 35016_at 38833_at 0.9844 LCK CD74 HLA-DPA1
38319_at 38095_i_at 33039_at 0.9844 CD3D HLA-DPB1 TRAT1
2059_s_at 37039_at 38833_at 0.9844 LCK HLA-DRA HLA-DPA1
2059_s_at 38833_at 33039_at 0.9766 LCK HLA-DPA1 TRAT1
2059_s_at 38095_i_at 33039_at 0.9766 LCK HLA-DPB1 TRAT1
2059_s_at 38095_i_at 38833_at 0.9766 LCK HLA-DPB1 HLA-DPA1
33238_at 2059_s_at 38095_i_at 0.9766 LCK LCK HLA-DPB1
35016_at 38095_i_at 33039_at 0.9766 CD74 HLA-DPB1 TRAT1
38147_at 38095_i_at 33039_at 0.9766 SH2D1A HLA-DPB1 TRAT1
33238_at 2059_s_at 33039_at 0.9766 LCK LCK TRAT1
35016_at 37039_at 33039_at 0.9766 CD74 HLA-DRA TRAT1
33238_at 38095_i_at 33039_at 0.9766 LCK HLA-DPB1 TRAT1
33238_at 38833_at 33039_at 0.9766 LCK HLA-DPA1 TRAT1
35016_at 38833_at 33039_at 0.9766 CD74 HLA-DPA1 TRAT1
33238_at 38095_i_at 38833_at 0.9688 LCK HLA-DPB1 HLA-DPA1
37039_at 38833_at 33039_at 0.9688 HLA-DRA HLA-DPA1 TRAT1
38147_at 35016_at 37039_at 0.9688 SH2D1A CD74 HLA-DRA
33238_at 2059_s_at 38833_at 0.9688 LCK LCK HLA-DPA1
37039_at 38095_i_at 33039_at 0.9688 HLA-DRA HLA-DPB1 TRAT1
38095_i_at 38833_at 33039_at 0.9609 HLA-DPB1 HLA-DPA1 TRAT1
35016_at 38095_i_at 38833_at 0.9609 CD74 HLA-DPB1 HLA-DPA1
37039_at 38095_i_at 38833_at 0.9531 HLA-DRA HLA-DPB1 HLA-DPA1
35016_at 37039_at 38095_i_at 0.9531 CD74 HLA-DRA HLA-DPB1
35016_at 37039_at 38833_at 0.9531 CD74 HLA-DRA HLA-DPA1

Tabela 2. Anotações de todos os recursos do conjunto de dados ALL1. Este é um conjunto de dados de classificação binária entre células B e células T todas as amostras. Os símbolos do gene foram coletados para todas as características de microarray nas últimas três colunas.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Este estudo apresenta um protocolo de deteção e caracterização de biomarcador de solução multi fácil-à-siga para um dataset classificação binário especificado pelo usuário. O software coloca ênfase na facilidade de uso e interfaces flexíveis de importação/exportação para vários formatos de arquivo, permitindo que um pesquisador biomédico investigar seu dataset facilmente usando a GUI do software. Este estudo também destaca a necessidade de gerar mais de uma solução com performances de modelagem similarmente eficaz, anteriormente ignoradas por muitos algoritmos de detecção da biomarcador existentes. No futuro, algoritmos de detecção de biomarcador recém-desenvolvido podem incluir esta opção pela gravação de todos os subconjuntos de biomarcador intermediário com performances de modelagem suficientes.

Neste protocolo, as etapas 1 e 5 são da maior importância, como o software é um sistema totalmente automático que se baseia em arquivos de entrada formatados corretamente. Se verificou que durante nossa etapa de teste, a má combinação de nomes do amostra da matriz de dados e arquivos de classe rótulos podem causar erros no software, onde o software estalará para fora de uma caixa de diálogo de aviso sobre esse erro. Portanto, se o usuário encontra sem amostras foram carregadas da matriz de dados ou arquivos de etiqueta de classe, o truque de solução de problemas é a verificar se os nomes de amostra nos dois arquivos de entrada são inconsistentes. Se não há pontos foram visualizados na dispersão 3D, isto pode ser devido o parâmetro pCutoff ser maior do que a melhor solução. Neste caso, o truque de solução de problemas é inferior ao limiar da classificação de medição de desempenho (parâmetro pCutoff). No entanto, a medição de desempenho máximo alcançada pelos subconjuntos de biomarcador pode ser ainda bloqueada pelo corte para um dataset difícil. Uma caixa de diálogo aviso dará esta medição de desempenho melhor, e o usuário pode escolher um corte menor para continuar mais análise.

As principais limitações do software são sua velocidade lenta de cálculo e sua capacidade de foco somente em, no máximo, três características. Seleção de recursos é um problema NP-difícil, definido como um problema computacional, cuja solução globalmente ideal não pode ser resolvida em tempo polinomial,59. O subconjunto de biomarcador abrangente rastreio passo consome um volume elevado de poder computacional. O tempo de execução, complexidade de kSolutionVis é O (n3) onde n é o parâmetro pTopX. Além disso, este algoritmo de deteção de múltiplo-biomarcador centra-se na visualização da tela de recursos, portanto, limitar o número dos recursos para três ou menos. Essa limitação pode impedir alguns usuários que podem trabalhar em problemas difíceis e desejam encontrar subconjuntos de recurso consistindo de mais de três características. No entanto, o software visualiza subconjuntos de recurso no espaço 3D e é difícil Visualizar diretamente subconjuntos de recurso em mais de três dimensões. Além disso, baseado nos resultados representativos apresentados acima, os trigêmeos de recurso múltiplo selecionados pelo kSolutionVis é um método altamente eficaz na classificação e mostra resultados significativos com importante significado biomédico.

O software representa softwares complementares úteis para os algoritmos de seleção de recurso existente. No campo da biomedicina, seleção de recursos é denominada biomarcador, com o objetivo de encontrar um subconjunto de recursos para atingir o desempenho melhorado modelagem de61,60,62. O software é uma ferramenta de rastreio abrangente de todos os subconjuntos de biomarcador de triplet baseada a estratégia proposta em um recente estudo5. Os dois conjuntos de dados representativos selecionados pelo protocolo do software, e seus resultados demonstram a existência de várias soluções com performances de modelagem eficaz ou mesmo idênticas da mesma forma. No entanto, as regras heurísticas63,64,,65,66 pode ser empregada para encontrar soluções sub-ótimas, mas tais algoritmos têm uma forte tendência para produzir apenas uma solução, ignorando muitas outras soluções com performances de modelagem eficaz ou mesmo idênticas da mesma forma. Portanto, o poder do computador e o longo tempo de execução do software valem a pena para garantir uma detecção mais abrangente de biomarcadores potenciais no futuro.

Os resultados representativos foram calculados em dois conjuntos de dados transcriptoma, no entanto, as alças de software dados em vários formatos de arquivo padrão de entrada e podem também ser utilizadas para analisar outros conjuntos de dados 'omic', incluindo proteómica e metabolómica. Além disso, a paralelização pode acelerar o cálculo do módulo de deteção de biomarcador no software. Há algum hardware multi-core incluindo GPGPU (polivalente gráfica processamento unir) e processadores Intel Xeon Phi disponíveis para esta finalidade. No entanto, estas tecnologias exigem diferentes estratégias de codificação e serão consideradas na próxima versão do software.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Temos sem conflitos de interesse relacionados a este relatório.

Acknowledgments

Este trabalho foi financiado pelo programa de investigação estratégica prioridade da Academia Chinesa de Ciências (XDB13040400) e a concessão de inicialização da Universidade de Jilin. Revisores anônimos e usuários testes biomédicos foram apreciados por seus comentários construtivos em melhorar a usabilidade e funcionalidade do kSolutionVis.

Materials

Name Company Catalog Number Comments
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

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Pesquisa sobre o câncer questão 140 deteção de biomarcador seleção de recursos OMIC classificação binária filtro invólucro extrema aprendizagem máquina ELM
Selecionando vários subconjuntos de biomarcador com Performances de classificação binária eficaz da mesma forma
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Feng, X., Wang, S., Liu, Q., Li, H., … More

Feng, X., Wang, S., Liu, Q., Li, H., Liu, J., Xu, C., Yang, W., Shu, Y., Zheng, W., Yu, B., Qi, M., Zhou, W., Zhou, F. Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances. J. Vis. Exp. (140), e57738, doi:10.3791/57738 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter