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

Selección de varios subconjuntos de biomarcadores con semejantemente eficaz clasificación binaria actuaciones

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 generan una solución para un conjunto de datos de detección de biomarcadores. Este protocolo demuestra la existencia de varias soluciones igualmente eficaces y presenta un software fácil de usar para ayudar a los investigadores biomédicos a investigar sus conjuntos de datos para el reto propuesto. Científicos de la computación también pueden proporcionar esta característica en sus biomarcadores algoritmos de detección.

Abstract

Detección de biomarcadores es una de las cuestiones biomédicas más importantes para investigadores de alto rendimiento "ómicas", y casi todos los algoritmos de detección de biomarcadores generan un subconjunto de biomarcadores con la medición del desempeño optimizado para un determinado conjunto de datos . Sin embargo, un reciente estudio demostró la existencia de varios subconjuntos de biomarcadores con actuaciones de clasificación igualmente efectivos o incluso idénticos. Este protocolo presenta una metodología simple y directa para la detección de subconjuntos del biomarcador con las actuaciones de clasificación binario, mejores que un corte definido por el usuario. El protocolo consiste en preparación de datos y carga, Resumen de información de línea de base, parámetro ajuste, detección de biomarcadores, visualización resultado interpretación, anotaciones de genes biomarcadores y exportación de resultados y visualización en calidad de la publicación. El biomarcador propuesto evaluación estrategia es intuitivo y muestra una regla general para el desarrollo de algoritmos de detección de biomarcadores. Una interfaz de usuario gráfica fácil de usar (GUI) fue desarrollada usando el lenguaje de programación Python, permitiendo a los investigadores biomédicos tienen acceso directo a sus resultados. Pueden descargarse el código fuente y manual de kSolutionVis de http://www.healthinformaticslab.org/supp/resources.php.

Introduction

Clasificación binaria, uno de los más comúnmente investigada y datos difíciles problemas en el área biomédico, de la explotación minera se utiliza para construir un modelo de clasificación en dos grupos de muestras con la más precisa discriminación poder1, 2 , 3 , 4 , 5 , 6 , 7. sin embargo, los grandes datos generados en el ámbito biomédico tienen la inherente "p pequeño n grande" paradigma, con el número de características generalmente mucho mayores que el número de muestras6,8,9. Por lo tanto, los investigadores biomédicos tienen que reducir la dimensión de función antes de utilizar los algoritmos de clasificación para evitar el problema overfitting8,9. Biomarcadores de diagnóstico se definen como un subconjunto de características detectados separar a pacientes de una determinada enfermedad de control sano muestras10,11. Los pacientes generalmente se definen como las muestras positivas, y los controles sanos se definen como muestras negativas12.

Estudios recientes han sugerido que existe más de una solución con las actuaciones de clasificación idéntico o igualmente efectiva para un conjunto de datos biomédica5. Casi todos los algoritmos de selección de función son algoritmos deterministas, produciendo una única solución para el mismo conjunto de datos. Algoritmos genéticos simultáneamente pueden generar múltiples soluciones con actuaciones similares, pero aún así tratar de seleccionar una solución con la mejor función de la aptitud como la salida para un conjunto dado de datos13,14.

Algoritmos de selección de función se pueden agrupar áspero como filtros o envolturas12. Un algoritmo de filtro elige el top -k características por su importante asociación individual con las etiquetas de clase binaria basada en la suposición de que dispone son independientes de uno a15,16,17 . Aunque esta suposición no tiene verdadera para casi todos datos del mundo real, la regla de filtro heurístico realiza bien en muchos casos, por ejemplo, mRMR (redundancia mínima y máxima relevancia) algoritmo, el Wilcoxon test basado en función filtrado (WRank) algoritmo de filtrado (ROCRank) basado en algoritmo y el diagrama ROC (característica operativa del receptor). mRMR, es un algoritmo de filtro eficiente porque aproxima el problema de combinatoria de estimación con una serie de problemas mucho más pequeños, en comparación con el algoritmo de selección de función de máxima dependencia, cada uno de los cuales sólo involucra dos variables, y por lo tanto utiliza pares probabilidades conjuntas que son más robustas de18,19. Sin embargo, mRMR puede subestimar la utilidad de algunas de las características que no mide las interacciones entre las características que pueden aumentar la relevancia y así pierde algunas combinaciones de funciones que sirven individualmente pero que son útiles sólo cuando se combinan. El algoritmo WRank calcula una puntuación no paramétrica de forma discriminativa una característica entre dos clases de muestras y es conocida por su robustez para afloramientos20,21. Además, el algoritmo de ROCRank evalúa cómo importante es el área bajo ROC la curva (AUC) de una función concreta para la clasificación binaria investigados rendimiento22,23.

Por otro lado, un contenedor evalúa el rendimiento del clasificador previamente definida de un subconjunto de la característica dada, generado iterativamente una regla heurística y crea el subconjunto de la característica con el mejor rendimiento medida24. Un contenedor generalmente supera a un filtro en el rendimiento de la clasificación pero corre lento25. Por ejemplo, el algoritmo de27 26,de bosque al azar regularizado (RRF) utiliza una regla codiciosa, evaluando las características en un subconjunto de los datos del entrenamiento en cada nodo del bosque al azar, y los puntos función importancia son evaluados por el índice de Gini . La elección de una nueva característica se penalizará si no mejora la ganancia de información de las características solicitadas. Además, el análisis de predicción de Microarrays (PAM)28,29 algoritmo, también un algoritmo de envoltura, calcula un centroide para cada una de las etiquetas de clase y luego selecciona características para reducir el tamaño los centroides gen hacia el general centroide de la clase. PAM es robusto para las características.

Soluciones múltiples con el rendimiento de la clasificación superior pueden ser necesarias para cualquier conjunto dado de datos. En primer lugar, el objetivo de la optimización de un algoritmo determinista es definido por una fórmula matemática, por ejemplo, tasa de error mínimo30, que no es necesariamente ideal para muestras biológicas. En segundo lugar, un conjunto de datos puede tener soluciones significativamente diferentes, múltiples, con actuaciones similares de efectivas o incluso idénticos. Casi todos los algoritmos de selección existentes de la característica de estas soluciones seleccionará al azar la salida31.

Este estudio presenta un protocolo analítico de informática para la generación de múltiples soluciones de selección de función con actuaciones similares para cualquier conjunto de datos de clasificación binario dado. Teniendo en cuenta que investigadores biomédicos más no están familiarizados con las técnicas informáticas o codificación de la computadora, una interfaz de usuario gráfica fácil de usar (GUI) fue desarrollada para facilitar el rápido análisis de datos biomédicos clasificación binaria. El protocolo analítico consiste en carga de datos y resumir, parámetro tuning, ejecución de ductos e interpretaciones del resultado. Con un simple clic, el investigador es capaz de generar el subconjuntos de biomarcadores y de la parcelas de visualización de calidad de publicación. El protocolo ha sido probado utilizando los transcriptomas de dos conjuntos de clasificación binaria de la leucemia linfoblástica aguda (ALL), es decir, ALL1 y ALL212. Los conjuntos de datos de ALL1 y ALL2 se descargaron desde el amplio Instituto genoma análisis centro de datos, disponible en http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 contiene 128 muestras con 12.625 características. De estas muestras, 95 son células B todo y 33 son células T todos. ALL2 incluye 100 muestras con 12.625 características así. De estas muestras, hay 65 pacientes que sufrieron recaída y 35 pacientes que no lo hizo. ALL1 era un conjunto de datos de fácil clasificación binaria, con una precisión mínima de cuatro filtros y cuatro envolturas que 96.7% y 6 de los algoritmos de selección de 8 función logro 100%12. ALL2 fue un conjunto de datos más difícil, con los algoritmos de selección 8 característica anterior logrando no es mejor que el 83,7% exactitud12. Esta mayor precisión se logró con 56 características detectadas por el algoritmo de la envoltura, selección basada en la correlación de función (SFC).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nota: El siguiente protocolo describe los detalles del procedimiento analítico informática y seudo códigos de los módulos principales. El sistema de análisis automático se desarrolló usando Python versión 3.6.0 y los pandas de módulos Python, abc, numpy, scipy, sklearn, sys, PyQt5, sys, mRMR, matemáticas y matplotlib. Los materiales utilizados en este estudio se enumeran en la Tabla de materiales.

1. preparar la matriz de datos y etiquetas de la clase

  1. Preparar el archivo de la matriz de datos como un archivo delimitado por TABULACIONES o comas de la matriz, como se ilustra en la figura 1A.
    Nota: Cada fila tiene todos los valores de una función, y el primer elemento es el nombre de función. Una función es un identificador de probeset del conjunto de datos basados en microarrays transcriptoma o puede ser otro valor ID como un residuo de cisteína con su valor de metilación en un conjunto de datos de methylomic. Cada columna da los valores de característica de una muestra, con el primer elemento es el nombre de la muestra. Una fila se separa en columnas por una ficha (figura 1B) o una coma (figura 1). Un archivo delimitado por TABULADORES de la matriz es reconocido por el archivo extensión .tsv, y un archivo delimitado por comas matriz tiene la extensión .csv. Este archivo puede ser generado por salvar una matriz como el formato .tsv o .csv de software como Microsoft Excel. La matriz de datos también puede ser generada por computadora codificación.
  2. Preparar el archivo de la etiqueta de clase como un delimitado por TABULACIONES o por comas matriz archivo (figura 1), similar al archivo de la matriz de datos.
    Nota: La primera columna da el nombre de la muestra, y la etiqueta de clase de cada muestra se da en la columna titulada clase. Compatibilidad máxima se considera en el proceso de codificación, por lo que se pueden agregar columnas adicionales. El archivo de la etiqueta de clase puede ser formateado como un archivo .tsv o CSV. Los nombres en la columna de clase pueden ser cualquiera de los términos, y puede haber más de dos clases de muestras. El usuario puede elegir dos de las clases para el siguiente análisis.

2. cargar la matriz de datos y etiquetas de la clase

  1. Cargar las etiquetas de clase y matriz de datos en el software. Haga clic en el botón de matriz de datos de carga para seleccionar el archivo de la matriz de datos especificado por el usuario. Haga clic en el botón etiquetas de clase de carga para seleccionar el archivo de la etiqueta de clase correspondiente.
    Nota: Después de que ambos archivos se cargan, kSolutionVis a cabo una rutina pantalla de compatibilidad entre los dos archivos.
  2. Resumir las características y las muestras del archivo de la matriz de datos. Estimar el tamaño del matriz del archivo de datos.
  3. Resumir las clases en el archivo de la etiqueta de clase y las muestras. Estimar el tamaño del archivo de la etiqueta de clase.
  4. Comprobar si cada muestra de la matriz de datos tiene una etiqueta de clase. Resumen de los números de las muestras con las etiquetas de clase.

3. resume y muestra las estadísticas de la base del conjunto de datos

  1. Clic en resumir, sin cualquier palabra clave especificado de entrada, y el software mostrará 20 características indexadas y los nombres de características correspondiente.
    Nota: Los usuarios deben especificar el nombre de la función que desea encontrar para ver sus estadísticas base y la correspondiente distribución de valor entre todas las muestras de entrada.
  2. Proporcionar una palabra clave, por ejemplo, "1000_at", en el cuadro de texto función para encontrar una característica específica que se resumirá. Clic en resumir para obtener las estadísticas de base para esta función dada.
    Nota: La palabra clave puede aparecer en cualquier lugar los nombres de función objetivo, facilitando el proceso de búsqueda para los usuarios.
  3. Clic en resumir para encontrar más de una función con la palabra clave determinada y luego especifique el ID de característica única para proceder con el paso anterior de resumir una característica particular.

4. determinar las etiquetas de clase y el número de mejores características

  1. Elegir los nombres de clases negativa ("N (95)") y positivo ("P (33)") en los cuadros de lista desplegable Clase positivo y Negativo de clase, como se muestra en la figura 2 (medio).
    Nota: Se sugiere elegir que una clasificación binario equilibrado conjunto de datos, es decir, la diferencia entre el número de muestras positivas y negativas es mínima. El número de muestras también se da entre paréntesis después del nombre de cada etiqueta de clase en los dos cuadros de lista desplegable.
  2. Elegir 10 como el número de mejores características (parámetro pTopX) en el menú desplegable Top_X (?) para una pantalla completa de la característica-subconjunto.
    Nota: El software automáticamente alinea todas las características de la P-valor calculado de una prueba de t de cada característica comparando las clases positivas y negativas. Una característica una menor P-valor tiene un poder discriminar mejor entre las dos clases de muestras. El módulo de proyección global es computacionalmente intensivo. El parámetro pTopX es de 10 por defecto. Los usuarios pueden cambiar este parámetro en el rango de 10 a 50, hasta que encuentren satisfacción tienen subconjuntos con las actuaciones de buena clasificación.

5. ajustar parámetros del sistema para diferentes espectáculos

  1. Elegir la medición del desempeño (pMeasurement) exactitud (Acc) en el menú desplegable Acc/bAcc (?) para el clasificador seleccionado máquina de aprendizaje extrema (ELM). Otra opción de este parámetro es la medida de precisión de equilibrado (bAcc).
    Nota: TP, FN, TN, y FP el número de verdaderos positivos, falsos negativos, verdaderos negativos y falsos positivos, respectivamente. La medición Acc se define como (TP+TN)/(TP+FN+TN+FP), que funciona mejor en un conjunto equilibrado de datos6. Pero un clasificador optimizado para Acc tiende a asignar todas las muestras a la clase negativa si el número de muestras negativas es mucho mayor que la de los positivos. El bAcc se define como (Sn + Sp) / 2, donde Sn = TP/(TP+FN) y Sp = TN/(TN+FP) son las tarifas correctamente predichas para el positivo y negativo de las muestras, respectivamente. Por lo tanto, bAcc normaliza las actuaciones de predicción sobre las dos clases y puede conducir a un funcionamiento equilibrado de la predicción sobre dos clases no balanceadas. ACC es la opción por defecto de pMeasurement. El software utiliza el clasificador de olmo por defecto para calcular los rendimientos de la clasificación. El usuario también puede elegir un clasificador de SVM (máquina de vectores soporte), KNN (k vecino más cercano), árbol de decisión o Naïve Bayes.
  2. Elija el valor de corte 0.70 (parámetro pCutoff) para la medición de rendimiento especificado en el cuadro de pCutoff:.
    Nota: Acc y bAcc oscilan entre 0 y 1, tanto el usuario puede especificar un valor pCutoffEquation[0, 1] como el atajo para mostrar las soluciones combinadas. El software lleva a cabo un amplio subconjunto de característica proyección, y una adecuada selección de pCutoff hará la visualización 3D más intuitivo y explícito. El valor predeterminado para pCutoff es 0.70.

6. Haga funcionar la tubería y los resultados visualizados interactivo

  1. Haga clic en el botón analizar para correr la tubería y generar las parcelas de visualización, como se muestra en la figura 2 (parte inferior).
    Nota: La tabla izquierda da todos los subconjuntos de la función y sus pMeasurement calculado por la estrategia de validación cruzada 10 veces del clasificador olmo, como se describió anteriormente5. Para el procedimiento de proyección característica subconjunto con los ajustes actuales se generan dos diagramas de dispersión 3D y parcelas de dos líneas.
  2. Elegir 0.70 como el valor predeterminado de la pMeasurement corte (parámetro piCutoff, cuadro de entrada de valor) y 10 como el valor predeterminado del número de mejores subconjuntos de la función (parámetro piFSNum).
    Nota: La tubería se realiza mediante los parámetros pTopX, pMeasurement y pCutoff. La función detectada subconjuntos pueden ser más evaluados usando el corte piCutoff, sin embargo piCutoff no puede ser menor que pCutoff. Por lo tanto, piCutoff se inicializa como pCutoff y a visualizar sólo los subconjuntos de la característica con la medición de desempeño ≥ piCutoff . El valor predeterminado de piCutoff es pCutoff. A veces kSolutionVis detecta muchas soluciones y sólo el mejor piFSNum (predeterminado: 10) serán visualizar subconjuntos de la función. Si el número de subconjuntos de característica detectada por el software es menor que piFSNum, todos los subconjuntos de la función se visualiza.
  3. Recoger e interpretar las características detectadas por el software, como se muestra en la figura 3.
    Nota: La tabla en el cuadro de la izquierda muestra los subconjuntos característica detectada y sus mediciones de desempeño. Los nombres de las tres primeras columnas son "F1" "F2" y "F3". Las tres características de cada subconjunto de la característica se dan en su orden de clasificación en una fila (F1 < F2 < F3). La última columna da la medición del desempeño (Acc o bAcc) de cada subconjunto de la característica, y su nombre de columna (Acc o bAcc) es el valor de pMeasurement.

7. interpretar la dispersión 3D parcelas-visualizar e interpretar los subconjuntos de la función con las actuaciones de clasificación binario semejantemente eficaz mediante diagramas de dispersión 3D

  1. Haga clic en el botón analizar para generar la trama de dispersión 3D de los subconjuntos de la función superior de 10 con las mejores actuaciones de clasificación (Acc o bAcc) detectada por el software, como se muestra en la figura 3 (caja media). Ordenar las tres características en un subconjunto de la característica en ascendente de sus filas y utilizar las filas de las tres características como los ejes F1/F2/F3, es decir, F1 < F2 < F3.
    Nota: El color de un punto representa el rendimiento de la clasificación binaria del correspondiente subconjunto de la característica. Un conjunto de datos puede tener múltiples subconjuntos de la función con semejantemente las mediciones de desempeño eficaz. Por lo tanto, es necesario un diagrama de dispersión interactivo y simplificada.
  2. Cambie el valor 0,70 en la caja pCutoff: y haga clic en el botón analizar para generar el diagrama de dispersión 3D de los subconjuntos de la característica con la medición de desempeño ≥ piCutoff, como se ve en la figura 3 (cuadro derecho). Haga clic en el botón 3D tuning para abrir una nueva ventana para sintonizar manualmente los ángulos de visión de la trama de dispersión 3D.
    Nota: Cada subconjunto de la característica está representada por un punto en la misma forma que anteriormente. El diagrama de dispersión 3D se generó en el ángulo por defecto. Para facilitar la visualización en 3D y sintonía, una ventana separada se abrirá haciendo clic en el botón 3D tuning.
  3. Haga clic en el botón reducir para reducir la redundancia de los subconjuntos de la función detectado.
    Nota: Si desean que los usuarios seleccionar a los tríos de la función y minimizar la redundancia de los subconjuntos de la función, el software también proporciona esta función mediante el algoritmo de selección de función de mRMR. Después de hacer clic en el botón reducir , kSolutionVis quitará esas características redundantes en los tríos de característica y regenerar la tabla y los dos scatter diagramas antes mencionados. Las características quitadas de los tríos de característica se reemplazará por la palabra clave en la tabla. Los valores de ninguno en el eje de F1/F2/F3 serán denotados como el valor de piFSNum (el rango del valor normal de F1/F2/F3 es [1, top_x]). Por lo tanto, los puntos que incluyen un valor ninguno parece ser parcelas puntos "outlier" en 3D. Las parcelas 3D manualmente ajustables pueden encontrarse en "Sintonización Manual de los diagramas de punto 3D" en el material complementario.

8. encontrar anotaciones de genes y sus asociaciones con enfermedades humanas

Nota: Pasos 8 a 10 muestran cómo anotar un gen desde el nivel de secuencia de DNA y proteínas. En primer lugar, el símbolo del gen de cada identificación de biomarcadores de los pasos anteriores se recuperará de la base de datos de DAVID32, y luego dos servidores web representativa se utilizará para analizar este símbolo del gene de los niveles de DNA y proteínas, respectivamente. El servidor GeneCard proporciona una amplia anotación funcional de un símbolo determinado gen, y la herencia mendeliana en línea en base de datos de hombre (OMIM) ofrece la más completa conservación de asociaciones del gen de la enfermedad. El servidor UniProtKB es una de la más completa base de datos de la proteína, y el servidor de sistema de predicción basado en grupo (GPS) predice la señalización fosforilación una lista muy grande de las quinasas.

  1. Copiar y pegar el enlace de la base de datos de DAVID en un navegador web y abrir la página web de esta base de datos. La función de IDs 38319_at/38147_at/33238_at del primer biomarcador subconjunto del conjunto de datos ALL1 (Figura 4B) de entrada y haga clic en el enlace Gene ID conversión vista en la Figura 4A . Haga clic en el enlace Lista de Gene y haga clic en Presentar lista como se muestra en la Figura 4B. Recuperar las anotaciones de interés y haga clic en Mostrar lista de gen (figura 4). Obtener la lista de los símbolos del gene (figura 4).
    Nota: Los símbolos del gene obtenidos aquí se utilizará para más anotaciones funcionales en los siguientes pasos.
  2. Copiar y pegar el enlace de la base de datos de tarjetas de Gene en un navegador web y abrir la página web de esta base de datos. Buscar nombre de un gen CD3D en el cuadro de entrada de consulta de base de datos y encontrar las anotaciones de este gene del Gene tarjetas33,34, como se muestra en la tabla 1 y figura 5A.
    Nota: Tarjetas de Gene es una base de conocimientos gene integral, proporcionando nomenclatura, genómica, proteómica, localización subcelular y vías involucradas y otros módulos funcionales. También proporciona enlaces externos a varias otras bases de datos biomédicas como PDB/PDB_REDO35, Entrez Gene36, OMIM37y38de UniProtKB. Si el nombre de función no es un símbolo del gen estándar, utilizar la base de datos de ENSEMBL para convertirlo en39. CD3D es el nombre del gene de la célula de T del Receptor T3 Delta cadena.
  3. Copiar y pegar el enlace de la base de datos OMIM en un navegador web y abrir la página web de esta base de datos. Buscar nombre de un gen CD3D y encontrar las anotaciones de este gen de la base de datos OMIM37, como se muestra en la tabla 1 y la figura 5B.
    Nota: OMIM sirve ahora como una de las fuentes más completa y autorizadas de las conexiones del gene humano con enfermedades hereditarias. OMIM fue iniciado por el Dr. Victor A. McKusick catalogar las mutaciones genéticas asociadas a enfermedad40. OMIM cubre ahora más de 15.000 genes humanos y más de 8.500 fenotipos, a partir de diciembre 1st 2017.

9. anotar las proteínas codificadas y las modificaciones post-traduccionales

  1. Copiar y pegar el enlace de la base de datos UniProtKB en un navegador web y abrir la página web de esta base de datos. Buscar nombre de un gen CD3D en el cuadro de consulta de UniProtKB y encontrar las anotaciones de este gen de la base de datos38, como se muestra en la tabla 1 y figura 5.
    Nota: UniProtKB recoge una rica fuente de anotaciones para las proteínas, incluyendo la nomenclatura y la información funcional. Esta base de datos también proporciona enlaces externos a otras bases de datos ampliamente utilizados, incluyendo PDB/PDB_REDO35, OMIM37y41de Pfam.
  2. Copiar y pegar el enlace del servidor web GPS en un navegador web y abrir la página web de este servidor web. Recuperar la secuencia de la proteína codificada por el gen CD3D del biomarcador de la base de datos de UniProtKB38 y predecir residuos de modificación poste-de translación (PTM) de la proteína usando la herramienta de GPS, como se muestra en la tabla 1 y figura 5.
    Nota: Un sistema biológico es dinámico y complicado, y las bases de datos recogen sólo información. Por lo tanto, herramientas en línea de predicción biomédica así como programas sin conexión pueden proporcionar la evidencia útil para complementar un mecanismo hipotético. GPS ha sido desarrollado y mejorado para más de 12 años7,42 y puede utilizarse para predecir residuos PTM de la proteína en un determinado péptido secuencia43,44. Herramientas también están disponibles para diversos temas de investigación, incluyendo la predicción de la localización subcelular45 y transcripción factor vinculante motivos 46 entre otros de una proteína.

10. anotar las interacciones proteína-proteína y sus módulos funcionales enriquecidos

  1. Copiar y pegar el enlace del servidor web cadena en un navegador web y abrir la página web de este servidor web. Buscar la lista para los genes CD3D y P53 y encontrar sus propiedades orquestadas usando la base de datos de cadena47. El mismo procedimiento puede realizarse utilizando otro servidor web, DAVID32.
    Nota: Además de las mencionadas anotaciones de genes individuales, existen muchas herramientas de informática a gran escala investigar las propiedades de un grupo de genes. Un estudio reciente demostraron que genes marcadores individualmente mal podrían constituir un sistema gene mejorada5. Por lo tanto, vale la pena el coste computacional para detectar biomarcadores más complicados. La base de datos de cadena puede visualizar las conexiones de interacción conocidas o previstas, y el servidor de David puede detectar los módulos funcionales con fenotipo-asociaciones significativas en los genes consultado47,32. También hay varias otras herramientas de análisis de informática a gran escala.

11. exportación de los subconjuntos de biomarcadores generados y las parcelas de visualización

  1. Exportación de los subconjuntos de biomarcadores detectado como archivo de texto .tsv o CSV para su posterior análisis. Haga clic en el botón exportar la tabla de debajo de la mesa de todos los subconjuntos de biomarcadores detectados y elegir que formato de texto guardar como.
  2. Las parcelas de la visualización de la exportación como un archivo de imagen. Haga clic en el botón Guardar en cada parcela y elija formato de imagen de guardar como.
    Nota: El software soporta el pixel formato .png y el vector formato .svg. Las imágenes de píxeles son buenas para la visualización en la pantalla del ordenador, mientras que las imágenes vectoriales se pueden convertir a cualquier resolución para fines de publicación de revista.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

El objetivo de este flujo de trabajo (figura 6) es detectar múltiples subconjuntos de biomarcadores con similar eficiencia de un conjunto de datos binarios de la clasificación. Todo el proceso es ilustrado por dos conjuntos de datos de ejemplo ALL1 y ALL2 extraído de una detección de biomarcadores recientemente publicado estudio12,48. Un usuario puede instalar kSolutionVis siguiendo las instrucciones en los materiales complementarios.

DataSet ALL1 había perfilado 12 625 características transcriptómicos de 95 B-célula y célula de T 33 todas las muestras de sangre del paciente. Mientras que el dataset ALL2 detecta los niveles de expresión de 12 625 características transcriptómicos de 65 todos los pacientes que recayeron después de 35 y el tratamiento todos los pacientes que no lo hizo. Para la conveniencia del usuario, datos transcriptómicos y sus etiquetas de clase disponen de la versión 1.4 del software. Ambos conjuntos de datos están en el subdirectorio "datos" del directorio del código fuente del software.

Los dos conjuntos de datos, ALL1 y ALL2, formato de archivos .csv y cargados en el software utilizando los botones de la matriz de datos de carga y etiquetas de clase de carga , como se muestra en la Figura 7A-B. La Figura 7A muestra que se han cargado todas las 128 muestras con 12 625 características, y todas las muestras de 128 también etiquetas de clase. La matriz de datos tiene 95 muestras negativas (B-cell todos) y 33 muestras positivas (T-cell todos). Además, los usuarios también pueden determinar que clase la etiqueta es la etiqueta de clase positivo (Figura 7A, parte inferior). Si el archivo de la etiqueta de clase define más de dos clases, los usuarios puede elegir qué etiquetas dos clase para investigar. Operaciones similares también se realizaron para el conjunto de datos difícil de ALL2, como se muestra en la figura 7B.

Las distribuciones de valor de las características de la matriz de datos pueden ser investigadas haciendo clic en resumir al buscar una palabra específica del usuario en los nombres de función, como se muestra en la figura 8. La figura 8A ilustra el histograma de la función 1012_at en el dataset ALL1. Además, como se ve en la figura 8B, la misma función 1012_at tiene una distribución similar de la expresión en ambos conjuntos de datos. Si la clave no fue especificada por el usuario, algunos nombres de función se listarían para ayudar a los usuarios a decidir qué características para resumir.

El conjunto de datos más fácil ALL1 había defendido el top 10 con ordenada (pTopX) en un subgrupo de biomarcadores con el pMeasurement Acc ≥ 0,90 (pCutoff). Después de hacer clic en el botón Ejecutar, se ejecuta el algoritmo y los resultados como se ve en la Figura 9A, se ilustraron en la parte inferior del software después de unos segundos. De esto, 120 subconjuntos del biomarcador calificado fueron detectados y figuran en la tabla izquierda de la Figura 9A. ALL1 era un conjunto de datos fácil discriminar, que tiene subconjuntos de biomarcadores trío 57 con 100% de Acc. Este protocolo hace hincapié en la existencia de varias soluciones igualmente eficaces para un problema de clasificación binario. Por lo tanto, la primera parcela de dispersión 3D puede ilustrar más de 10 subconjuntos de biomarcadores (parámetro piFSNum), si tienen el rendimiento de clasificación ≥ Acc (parámetro pMeasurement) que de los 10 primeros clasificados (parámetro piFSNum ) subconjunto de biomarcadores. El usuario también puede elegir mostrar subconjuntos de biomarcadores menos cambiando el parámetro piCutoff en el cuadro de parámetro sobre la tabla en la Figura 9A. La sintonización manual de los diagramas 3D se puede encontrar en la sección de sintonización Manual del punto 3D parcelas en el material complementario.

Además, los resultados pueden ser exportados como archivos externos para el análisis adicional haciendo clic en el botón exportar la tabla en las parcelas mesa o dispersión, como se muestra en la figura 9.

El primer subconjunto de biomarcadores (38319_at, 38147_at y 33238_at) para el conjunto de datos ALL1 fue elegido para la investigación funcional, como se muestra en la Figura 9A. El módulo de búsqueda de ENSEMBL (http://useast.ensembl.org/Multi/Search/New?db=core) anotado estas tres características como un racimo del gene del delta de diferenciación 3 (CD3D, 38319_at), molécula de activación linfocítica señalización asociada gene (SH2D1A, 38147_at ) y linfocitos específicos de la célula proteína-tirosina quinasa (LCK, 33238_at). Además, la base de datos de Asociación de genes enfermedad OMIM37,40 sugirió que el gen CD3D codifica la subunidad delta del complejo de receptor de antígeno de células T y participa en las translocaciones 11q23 observadas con frecuencia en agudos leucemia en los seres humanos49,50. OMIM también había sugerido que genómicas mutaciones dentro del gen SH2D1A en la región cromosoma Xq25 puede ser asociado con la leucemia de células B51,52. Además, OMIM también destacó una posible célula de T todo evento de fusión asociados de la LCK y beta T-cell receptor (TCRB)53. Los usuarios pueden investigar otros aspectos funcionales de estos biomarcadores con sus símbolos gene, por ejemplo, anotaciones de función del gene de Entrez Gene36, las anotaciones de función de la proteína en UniProtKB38 o Pfam41, proteína 3D estructuras en el PDB/PDB_REDO35y residuos de la PTM en GPS7,42,43,44. La interacción de sub-red (base de datos de cadena47) y módulos funcionales enriquecidos (base de datos de David32) también pueden ser defendidos para estos biomarcadores como una totalidad. Varias otras bases de datos o servidores web también pueden facilitar las anotaciones y en silico predicciones mediante los símbolos o primaria gene/proteína secuencias de estos genes.

Como se ve en la tabla 2, la necesidad de detectar más de una solución con prestaciones idénticas o igualmente efectivas es evidente, con 57 grupos de características con exactitudes de clasificación binario del 100% entre células B y células T todas las muestras. Estos subconjuntos de biomarcadores particular fueron llamados la solución perfecta. Algunos biomarcadores aparecieron en estas soluciones perfectas en repetidas ocasiones, sugiriendo que puede representar las diferencias clave, en el nivel molecular, entre B y del T-cell todos. Si el algoritmo de detección de biomarcadores se detiene al detectar la primera solución perfecta de tres genes CD3D/SH2D1A/LCK, se echará otra solución perfecta CD74/HLA-DPB1/PRKCQ. Por ejemplo, HLA-DPB1 es conocido por ser significativamente asociadas con la célula de T pediátrica de todo pero no B-cell todos54.

Las tres características del primer subconjunto de biomarcadores de ALL2 eran Asamblea de cromatina factor 1 subunidad B (CHAF1B, 36912_at), exonucleasa 1 (EXO1, 36041_at) y la señal de transductor y activador de transcripción 6 (STAT6, 41222_at). CHAF1B fue observada para ser expresado altamente en líneas celulares de leucemia y el anticuerpo contra la proteína CHAF1B codificados se desarrolló significativamente en pacientes de leucemia mieloide aguda (AML)55. En algunos casos de leucemia aguda56y alza en la línea de células de leucemia HL-60 [R] se perdió a EXO1. También se ha encontrado para regular negativamente el alargamiento alternativo (ALT) vía los telómeros, que facilitó la formación de asociados ALT PML (leucemia promielocítica) cuerpos (APBs)57. STAT6 se fosforila para activar el pro-supervivencia y proliferativo vía en los casos de recaída AML58de señalización. Tomados en conjunto, los tres genes se asociaron con el desarrollo y la recaída de la leucemia, pero no hay evidencia explícita se publicó en sus asociaciones con la recaída todos. Esto puede representar un tema interesante para análisis adicionales.

El mismo procedimiento de anotación puede realizarse en cualquier subconjunto de biomarcadores para ALL1 y ALL2. Los tres biomarcadores en el apartado anterior no fueron identificados como recaída de biomarcadores en el dataset ALL2, como se muestra en la figura 9B. Esto sugiere que biomarcadores específicos de fenotipo, que es otro reto importante para la detección de biomarcadores, junto a la existencia de varias soluciones igualmente eficaces.

Algunos módulos técnicos fueron implementadas y descritos aquí para los usuarios interesados. El módulo de manejo de error proporciona mensajes informativos para el usuario cuando se producen errores durante la ejecución del software. Los mensajes de error principal se enumeran y explican en "Mensajes de Error" en el material complementario. Un cálculo paralelo de los biomarcadores fue implementado para los equipos con más de un núcleo de CPU. Las mejoras detalladas en el tiempo de ejecución pueden encontrarse paralelamente"duración" en el material complementario. Los datos sugieren que el uso de más núcleos de la CPU no puede mejorar el tiempo de ejecución debido al coste de cambiar entre diferentes núcleos de la CPU.

Figure 1
Figura 1: el conjunto de datos de ejemplo extraído del conjunto de datos transcriptoma ALL1 tiene las características primeras seis de las nueve muestras de ALL1. La matriz de datos haya sido formateada en la forma de visualización, (b) el archivo de formato de texto delimitado por TABULADORES y (c) el archivo de formato de texto delimitado por comas. (d) los datos de la etiqueta de clase haya sido formateados en la forma de visualización. Debido a la pestaña de personaje es invisible, se ilustra como [TAB] en (b). La columna plataforma da la plataforma de microarrays Affy en (b) y no es una columna de datos requeridos. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: interfaz gráfica de usuario del programa. Las estadísticas de la línea de base se resumen en el cuadro superior izquierdo. Los usuarios pueden buscar características de interés e investigar las distribuciones de valor en los dos cuadros de derecha superior. Todos los parámetros para el procedimiento de detección de biomarcadores pueden ajustarse en la barra horizontal media. Todos los subconjuntos de los biomarcadores y su correspondiente distribución visualizados puede encontrarse en la parte inferior. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: subconjuntos de biomarcadores y sus visualizaciones generadas. Los usuarios pueden refinar aún más la tabla y dos diagramas de dispersión 3D utilizando los parámetros piCutoff y piFSNum. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: anotaciones de Gene de la función de IDs detectadas en este estudio. Tome la tres característica IDs 38319_at/38147_at/33238_at del primer subconjunto de biomarcadores del dataset ALL1. (a) obtener el módulo de conversión de ID haciendo clic en el enlace de Gene ID conversión. (b) entrada de la función de IDs en el rojo 1 caja, elige el tipo de función en el cuadro rojo 2 (por defecto "AFFYMETRIX_3PRIME_IVT_ID" es correcto para este estudio), elija Lista de Gene en el recuadro rojo 3 y haga clic en Presentar lista en la caja roja 4. (c) obtener todas las anotaciones funcionales en esta página y haga clic en Mostrar lista de genes para obtener los símbolos del gene de estas características consultados. (d) obtener los símbolos del gene de la ID de característica consultado. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: anotaciones y análisis del enriquecimiento de los subconjuntos de la función detectado. (a) anotaciones Gene del Gene Card. (B) OMIM describe las asociaciones de enfermedad de cada característica del gene. (c) anotar la proteína codificada por el gen de interés en la base de datos UniProtKB. (d) predecir los residuos de la fosforilación de tirosina en la proteína dada usando la herramienta de GPS. Un cuadro rojo fue agregado para mostrar al usuario dónde hacer clic para introducir los datos de la consulta. La secuencia primaria de la proteína ejemplo CD3D puede ser obtenido como el formato FASTA de la caja roja en (c) y de entrada en la ventana de consulta por haga clic en el cuadro rojo en (d). Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: flujo de trabajo de kSolutionVis. Cada módulo del software fue descrito en el protocolo anterior. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7: estadísticas de la base de los dos conjuntos de datos representativos. Los números de las muestras, características y clases de ALL1 (a) y (b) ALL2 se calculan. También se detectan el tamaño de los archivos de las etiquetas de clase y matriz de datos. Y una nueva matriz de datos es extraída de las muestras con etiquetas de la clase. Haga clic aquí para ver una versión más grande de esta figura.

Figure 8
Figura 8: visualización del histograma de la función 1012_at en los dos conjuntos de datos. ALL1 (a) y (b) ALL2 se generaron estadísticas base e histograma. Haga clic aquí para ver una versión más grande de esta figura.

Figure 9
Figura 9: subconjuntos de biomarcadores y los diagramas de dispersión de los dos conjuntos de datos. Los usuarios pueden cambiar los parámetros en la segunda fila de casillas de parámetro para refinar aún más las listas de los subconjuntos de biomarcadores y dispersión 3D parcelas para los conjuntos de datos ALL1 (a) y (b) ALL2. Haga clic aquí para ver una versión más grande de esta figura.

Sitio web Enlace Funcionalidad
GeneCards http://www.Genecards.org/cgi-bin/carddisp.pl?gene=CD3D Anotación de genes
OMIM https://OMIM.org/entry/186790?Search=CD3D&Highlight=cd3d Asociación de enfermedad gene
UniProtKB http://www.UniProt.org/UniProt/P04234 Anotación de la proteína
GPS http://GPS.biocuckoo.org/ Predicción de PTM de la proteína
Cadena https://String-dB.org/ Interacción proteína-proteína
David https://David.ncifcrf.gov/ Análisis de enriquecimiento conjunto de gene

Tabla 1. Sitios web para anotar y analizar los biomarcadores detectados. Lista de útiles herramientas en línea que ayudan a anotar los 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

Tabla 2. Anotaciones de todas las características del conjunto de datos ALL1. Esto es un conjunto de datos de clasificación binaria entre células B y células T todas las muestras. Los símbolos del gene fueron recogidos para todas las funciones de microarrays en las tres últimas columnas.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Este estudio presenta un protocolo de detección y caracterización de fácil de seguir solución múltiples biomarcadores para un conjunto de datos de clasificación binario especificado por el usuario. El programa pone énfasis en la facilidad de uso e interfaces flexibles de importación y exportación de varios formatos de archivo, permitiendo que un investigador biomédico investigar sus datos fácilmente utilizando la interfaz gráfica del software. Este estudio también pone de relieve la necesidad de generar más de una solución con las actuaciones de modelado igualmente efectiva, previamente ignorada por muchos algoritmos de detección de biomarcadores existentes. En el futuro, algoritmos de detección de biomarcadores desarrollado recientemente pueden incluir esta opción mediante el registro de todos los subconjuntos de biomarcador intermedio con suficientes actuaciones de modelado.

En el presente Protocolo, los pasos 1 y 5 son de más importancia, como el software es un sistema completamente automático que se basa en archivos con formato correctamente. Se encontró durante nuestro paso pruebas, la falta de coincidencia de nombres muestra de matriz de datos y archivos de etiquetas de clase pueden provocar errores en el software, donde el software saltará un cuadro de diálogo de advertencia acerca de este error. Por lo tanto, si el usuario encuentra no muestras se cargan desde la matriz de datos o archivos de clase de la etiqueta, el truco de la solución de problemas es para comprobar si los nombres de muestra en los archivos de entrada dos son incompatibles. Si no puntos fueron visualizados en los diagramas de dispersión 3D, esto puede ser debido al parámetro pCutoff es mayor que la mejor solución. En este caso, el solución de problemas truco es bajar el límite de la medición del rendimiento de clasificación (parámetro pCutoff). Sin embargo, la medición del rendimiento máximo alcanzada por los subconjuntos de biomarcadores puede ser todavía bloqueada por el atajo para un conjunto de datos difícil. Un cuadro de diálogo de advertencia dará esta medida mejor del rendimiento, y el usuario puede elegir un atajo más pequeño para seguir más análisis.

Las principales limitaciones del software son su velocidad de cálculo lento y su capacidad para sólo centrarse en, como máximo, tres características. Selección de características es un problema NP-hard, definido como un problema computacional cuya solución global óptima no se puede resolver en tiempo Polinómico59. El subconjunto de biomarcadores integral detección paso consume un gran volumen de poder computacional. El tiempo en marcha complejidad de kSolutionVis es O (n3) donde n es el parámetro pTopX. Además, este algoritmo de detección de marcador múltiple se centra en visualizar la pantalla de características, por lo tanto, limitar el número de las características de tres o menos. Esta limitación puede impedir algunos usuarios que pueden trabajar en problemas difíciles y desean encontrar subconjuntos de la función que consiste en más de tres características. Sin embargo, el software visualiza subconjuntos de la función en el espacio 3D y es difícil de visualizar directamente los subconjuntos característica en más de tres dimensiones. Además, basándose en los resultados representativos presentados arriba, los varios tríos de característica seleccionados por kSolutionVis es un método altamente efectivo en clasificación y muestra resultados significativos con importante significado biomédico.

El software representa software complementario útil para los algoritmos de selección de función existente. En el campo de la biomedicina, selección de características se denomina biomarcadores, con el objetivo de encontrar un subconjunto de características de lograr el desempeño mejorado modelado60,61,62. El software es una herramienta de detección completa de todos los subconjuntos de biomarcadores de trío basado en la estrategia propuesta en un reciente estudio5. Los dos conjuntos de datos representativos seleccionados por protocolo de software, y sus resultados demuestran la existencia de bastantes soluciones igualmente actuaciones de modelado eficaz o incluso idénticos. Reglas heurísticas63,64,65,66 puede emplearse para encontrar soluciones óptimas, pero tales algoritmos tienen una fuerte tendencia a producir una única solución, haciendo caso omiso de muchos otros soluciones igualmente actuaciones de modelado eficaz o incluso idénticos. Por lo tanto, la potencia de los ordenadores y la larga duración del software valen la pena para garantizar una detección más amplia de potenciales biomarcadores en el futuro.

Se calcularon los resultados representativos en dos conjuntos de datos de transcriptoma, sin embargo, las manijas de software datos en varios formatos de archivo estándar de entrada y pueden utilizarse también para analizar otras bases de datos 'omic', como la proteómica y la metabolómica. Además, paralelización puede acelerar el cálculo del módulo de detección de biomarcadores en el software. Hay algún hardware multi-core como GPGPU (fines generales gráfica procesamiento se unen) y procesadores Intel Xeon Phi disponibles para este propósito. Sin embargo, estas tecnologías requieren diferentes estrategias de codificación y se considerará en la próxima versión del software.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

No tenemos conflictos de interés relacionados con este informe.

Acknowledgments

Este trabajo fue apoyado por el programa de investigación prioridad estratégica de la Academia China de Ciencias (XDB13040400) y la subvención de puesta en marcha de la Universidad de Jilin. Revisores anónimos y usuarios pruebas biomédicos fueron apreciados por sus comentarios constructivos para mejorar la usabilidad y la funcionalidad de 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

La investigación del cáncer detección de biomarcadores número 140 selección OMIC clasificación binaria filtro envoltura máquina de aprendizaje extrema olmo
Selección de varios subconjuntos de biomarcadores con semejantemente eficaz clasificación binaria actuaciones
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