Mime, zarif performansa sahip makine öğrenimi tabanlı bir entegrasyon modeli oluşturmak için esnek bir hesaplama çerçevesidir. Burada, hastalığın ilerlemesi, hasta sonuçları ve terapötik yanıtla ilişkili kritik genleri belirlemek için karmaşık veri kümelerinden yararlanarak, yüksek doğrulukta tahmine dayalı modeller geliştirmek için ayrıntılı bir adım adım prosedür sunuyoruz.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
Mime Tabanlı Makine Öğrenmesi Çerçevesini Kullanarak Modeller Oluşturma ve Görselleştirme
* These authors contributed equally
Bu makalede
Özet
Özet
Yaygın yüksek verimli dizileme teknolojisi, biyoloji ve kanser heterojenliği anlayışımızı önemli ölçüde geliştirmiştir. Transkripsiyonel veriler üzerindeki makine öğrenimi algoritmaları, hasta prognozunu ve klinik yanıtları tahmin etmek için hayati hale gelmiştir. Makine öğrenimi algoritmalarındaki gelişmelere rağmen, transkripsiyonel veriler üzerinde en gelişmiş makine öğrenimi algoritmalarını içeren açık kaynaklı bir platform eksik kalıyor. Bu boşluğu gidermek için, klinik özellikler ve gen imzaları için öngörücü modellerin oluşturulmasını ve görselleştirilmesini geliştirmek için çok yönlü bir makine öğrenimi çerçevesi olan Mime'ı geliştirdik. Mime, çeşitli veri kümelerini entegre ederek ve en gelişmiş özellik seçim tekniklerini kullanarak, klinik tahminlerdeki kritik zorlukları ele alır. Model oluşturma, özellik seçimi ve veri görselleştirme dahil olmak üzere üç ana işlev sağlar. Model oluşturma, karar ağaçları, destek vektör makineleri ve topluluk yöntemleri dahil ancak bunlarla sınırlı olmamak üzere bir dizi makine öğrenimi algoritmasını kapsar ve araştırmacıların kendi özel analizleri için en uygun yaklaşımı seçmelerine olanak tanır. Özellik seçimi, veri kümesini düzene sokmak ve en bilgilendirici özelliklere odaklanmak için Özyinelemeli Özellik Eleme ve LASSO regresyonu gibi gelişmiş algoritmalar kullanır. Çerçeve, çapraz doğrulama yöntemleri aracılığıyla özelleştirilebilir parametre ayarlamayı destekleyerek aşırı uyum risklerini azaltırken model performansını optimize eder. Mime ile entegre edilen görselleştirme araçları, araştırmacıların model sonuçlarını etkili bir şekilde yorumlamasına olanak tanıyarak özellik öneminin ve tahmine dayalı performans ölçümlerinin grafiksel temsillerini sağlar. Bu yazıda, bu çok yönlü makine öğrenimi çerçevesinin adım adım prosedürleri hakkında ayrıntılı bir eğitim sunuyoruz.
Giriş
Yüksek verimli dizileme teknolojilerinin yaygın olarak benimsenmesi, biyoloji ve kanser heterojenliği anlayışımızı önemli ölçüde etkilemiştir1. Biyoteknolojideki bu çığır açan ilerleme, yalnızca bilimsel bilgimizi derinleştirmekle kalmadı, aynı zamanda tıbbi araştırma alanında da devrim yarattı. Bilim adamlarının büyük miktarda genetik materyali hızlı ve doğru bir şekilde sıralamasını sağlayarak, yüksek verimli dizileme yeni genlerin, mutasyonların ve biyolojik yolların keşfini hızlandırdı. Büyüyen bir araştırma grubu, sıralama verilerindenhastalığın ilerlemesi, hasta prognozu ve terapötik yanıt ile ilişkili spesifik moleküler imzaları tanımlamıştır 2,3,4. Bu özel imzalar, tümör kökeni, farklılaşması, göçü ve tedavi direnci5 dahil olmak üzere tümör biyolojisinin altında yatan transkripsiyonel düzenleyici ağı anlamak için kapsamlı bir manzara sunar. Bu özellikler genellikle çeşitli ve çeşitlidir, tek bir sergiyle sınırlı kalmak yerine birden fazla yönü kapsar. Bu, hastalıkla yüksek oranda ilişkili spesifik genlerin taranmasını ve tanımlanmasını zorlaştırır. Bu nedenle, hastalıkta rol oynayan önemli genleri taramak için mantıklı hesaplama stratejilerine acil bir ihtiyaç vardır.
Makine öğrenimi (ML), karmaşık veri kümelerinden öğrenebilen, kalıpları tanımlayabilen ve karar vermek için bir referans sağlamak üzere yüksek doğrulukta tahmine dayalı bir model geliştirebilen sistemler oluşturmaya odaklanan bir yapay zeka dalıdır6. Son zamanlarda, hasta sonuçlarını tahmin etmek veya hastalıkları teşhis etmek için transkriptom verilerinden makine öğrenimi tabanlı modellerin geliştirilmesi, çeşitli hastalıklarda hızla ilerlemiştir 7,8,9,10. Bu modellerin performansı, eğitim için kullanılan farklı veri kümeleri ve algoritmalar nedeniyle genellikle büyük ölçüde değişir. Sonraki deneyler ve klinik uygulamalar için en uygun modeli seçmek acil bir zorluk olarak ortaya çıkmıştır. Uygulanabilir bir yaklaşım, çeşitli modellerin performansını karşılaştırmayı ve daha fazla kullanım için en umut verici olanı seçmeyi gerektirir 7,11. Ayrıca, çeşitli bilgi işlem çerçevelerinde desteklenen parametreler ve sonuç biçimlerindeki çeşitlilik, karşılaştırmalı analiz için önemli zorluklar ortaya çıkarmaktadır. Bununla birlikte, şu anda farklı modellerin güçlü ve zayıf yönlerini karşılaştırmak ve parametre seçim sürecini basitleştirmek için son teknoloji makine öğrenimi algoritmalarını entegre ederek kullanıcıların erişmesini kolaylaştıran bir yazılım bulunmamaktadır. Bu nedenle, transkripsiyonel verilerin çeşitli makine öğrenimi algoritmalarıyla entegrasyonunu kolaylaştırabilecek ve aynı zamanda biyobelirteç seçimi ve model yorumlamanın mevcut sınırlamalarını ele alabilecek kullanıcı dostu yazılımların geliştirilmesine ihtiyaç vardır. Bu tür ilerlemeler, mevcut araştırma alanlarına değerli bilgiler sağlama ve nihayetinde hasta sonuçlarını iyileştirme yeteneğimizi büyük ölçüde artıracaktır.
Bu çalışmada, veri kümeleri arasında sağlam performans gösteren ve transkriptom veri kümelerinin çeşitli makine öğrenimi algoritmalarıyla entegrasyonunu kolaylaştırmayı ve böylece ilgili süreçleri basitleştirmeyi amaçlayan Mime12 adlı açık kaynaklı bir R paketi geliştirdik. Büyük ölçekli transkriptom verilerinden potansiyel adayları belirlemek ve en uygun modelleri geliştirmek için Mime dört uygulama işlevi sunar: 10 makine öğrenimi algoritmasının entegre edilmesiyle oluşturulan optimal bir prognoz modeli; yedi makine öğrenimi algoritması kullanılarak oluşturulmuş bir ikili yanıt modeli; sekiz makine öğrenimi algoritması kullanılarak tanımlanan prognozla ilgili temel özellikler; ve her modelin performansının görselleştirilmesi.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
NOT: Bu çalışma için öğreticilerin tümü R yazılımı kullanılarak Linux platformunda çalıştırılmıştır. Bu protokolde kullanılan R paketinin sürümü Malzeme Tablosu'nda listelenmiştir. Analiz için gerekli her adım aşağıda gösterilmiştir ve ayrıntılı protokol GitHub (https://github.com/l-magnificence/Mime) üzerinden de edinilebilir. Mime ile ilgili sorunlarla karşılaşan kullanıcılar, geri bildirim sağlamak için GitHub Sorun sayfasını (https://github.com/l-magnificence/Mime/issues) ziyaret edebilir.
1. Mime ve örnek veri setinin hazırlanması
- Aşağıdaki kodu kullanarak Mime'ın geliştirme sürümünü GitHub'dan yükleyin:
devtools::install_github("l-magnificence/Mime") - Sağkalım veya tedaviye klinik yanıt hakkında bilgi içeren transkripsiyonel dizileme verilerini içeren birden fazla kohort hazırlayın. Burada, Mime'ı çalıştırmak için iki örnek veri (Example.cohort ve Example.ici) kullanılmıştır. Example.kohort iki glioma veri kümesi içerir; her biri sırasıyla TCGA ve CGGA veritabanından rastgele seçilmiş 100 örnek. Example.ici, önceki çalışma 12'den bağışıklık kontrol noktası inhibitörleri ile rastgele seçilmiş 100 ön işlem örneği içerir. Tüm örnek veriler GitHub'dan (https://github.com/l-magnificence/Mime/tree/main/External%20data) alınabilir
- Example.kohort'ta prognoz için tahmine dayalı modeller oluşturmak için birden çok veri kümesi ekleyin. Her veri kümesindeki ilk sütun kimliği örnek kimliğidir, her veri kümesindeki ikinci ve üçüncü sütunlar OS.time ve OS hastaların hayatta kalma süresi ve durumudur; Her veri kümesindeki diğer sütunlar, log2(x+1) ile ölçeklendirilen gen ifade düzeyidir. Veri kümesi1 eğitim veri kümesidir, diğer veri kümeleri ise doğrulama içindir. Example.kohort için aşağıdaki biçimi kullanın:
load ("./Example.cohort.Rdata" )
list_train_vali_Data [["Dataset1" ]][1:5,1:5]
#> ID OS.time OS MT-CO1 MT-CO3
#> TCGA.DH.A66B.01 1281.65322 0 13.77340 13.67931
#> TCGA.HT.7607.01 96.19915 1 14.96535 14.31857
#> TCGA.DB.A64Q.01 182.37755 0 13.90659 13.65321
#> TCGA.DU.8167.01 471.97707 0 14.90695 14.59776
#> TCGA.HT.7610.01 1709.53901 0 15.22784 14.62756 - Example.ici'deki yanıt için tahmine dayalı modeller oluşturmak için birden çok veri kümesi ekleyin. Her veri kümesindeki ilk sütun kimliği örnek kimliğidir, her veri kümesindeki ikinci sütun Var, hastaların terapötik yanıtıdır (N: Yanıt yok; Y: yanıt) ve her veri kümesindeki diğer sütunlar log2(x+1) ile ölçeklendirilen gen ifade düzeyidir. Eğitim, eğitim veri kümesidir, diğer veri kümeleri ise doğrulama içindir. Example.ici için aşağıdaki biçimi kullanın:
load("./Example.ici.Rdata")
list_train_vali_Data[["training"]][1:5,1:5]
#> ID Var FTH1 EEF1A1 ACTB
#> SAMf2ce197162ce N 10.114846 4.817746 11.230180
#> ERR2208915 Y 2.044180 5.038854 3.977902
#> G138701_RCCBMS Y 5.406008 5.341635 5.366668
#> SAMe41b1e773582 N 9.215794 4.707360 11.412721
#> SAM5ffd7e4cd794 N 9.003710 3.908884 10.440559
- Example.kohort'ta prognoz için tahmine dayalı modeller oluşturmak için birden çok veri kümesi ekleyin. Her veri kümesindeki ilk sütun kimliği örnek kimliğidir, her veri kümesindeki ikinci ve üçüncü sütunlar OS.time ve OS hastaların hayatta kalma süresi ve durumudur; Her veri kümesindeki diğer sütunlar, log2(x+1) ile ölçeklendirilen gen ifade düzeyidir. Veri kümesi1 eğitim veri kümesidir, diğer veri kümeleri ise doğrulama içindir. Example.kohort için aşağıdaki biçimi kullanın:
- Bir gen seti hazırlayın. Burada, Mime'ı çalıştırmak için MSigDB'den Wnt/β-katenin sinyali ile ilişkili bir gen seti (genelist) kullanıldı. Genelist için aşağıdaki biçimi kullanın:
load ("./genelist.Rdata" )
#> [1] "MYC" "CTNNB1" "JAG2" "NOTCH1" "DLL1" "AXIN2" "PSEN2" "FZD1" "NOTCH4" "LEF1" "AXIN1" "NKD1" "WNT5B"
#>[14] "CUL1" "JAG1" "MAML1" "KAT2A" "GNAI1" "WNT6" "PTCH1" "NCOR2" "DKK4" "HDAC2" "DKK1" "TCF7" "WNT1"
#>[27] "NUMB" "ADAM17" "DVL2" "PPARD" "NCSTN" "HDAC5" "CCND2" "FRAT1" "CSNK1E" "RBPJ" "FZD8" "TP53" "SKP2"
#>[40] "HEY2" "HEY1" "HDAC11"
2. Prognoz için kestirimci modellerin oluşturulması
- Prognoz için tahmin modelleri oluşturmak için Example.cohort ve genelist'i temel alan Mime'de ML.Dev.Prog.Sig() işlevini kullanın. Aşağıdaki kodları kullanın:
library (Mime1)
load ("./Example.cohort.Rdata" )
load ("./genelist.Rdata" )
res <- ML.Dev.Prog.Sig (train_data = list_train_vali_Data $Dataset1,
list_train_vali_Data = list_train_vali_Data,
unicox.filter.for.candi = T,
unicox_p_cutoff = 0.05,
candidate_genes = genelist,
mode = 'all',nodesize =5,seed = 5201314 ) - Her modelin C indeksini çizmek ve en yüksek C indeksine sahip en uygun modeli seçmek için Mime'de cindex_dis_all() fonksiyonunu kullanın. Aşağıdaki kodları kullanın:
cindex_dis_all (res,validate_set = names (list_train_vali_Data )[-1 ],
order =names (list_train_vali_Data ),width = 0.35 ) - Farklı veri setleri arasından belirli bir model kullanarak risk skoruna göre hastaların sağkalım eğrisini hesaplayın ve bunu Mime'de işleyin. Aşağıdaki kodları kullanın:
survplot <- vector ("list",2 )
for (i in c (1:2)) {
print (survplot [[i ]]<-rs_sur (res,
model_name = "StepCox[forward] + plsRcox",
dataset = names (list_train_vali_Data )[i ],
median.line = "hv",
cutoff = 0.5,
conf.int = T,
xlab ="Day",pval.coord =c (1000,0.9 )))
}
aplot ::plot_list (gglist =survplot,ncol =2 ) - Ardından, oluşturulan modeller tarafından tahmin edilen zamana bağlı AUC'yi hesaplamak için Mime'de cal_AUC_ml_res() işlevini kullanın. Aşağıdaki kodları kullanın:
all.auc.1y <- cal_AUC_ml_res (res.by.ML.Dev.Prog.Sig =res,
train_data = list_train_vali_Data [["Dataset1" ]],
inputmatrix.list =list_train_vali_Data,
mode = 'all',AUC_time = 1,
auc_cal_method ="KM" ) - Her model tarafından tahmin edilen zamana bağlı AUC'yi çizmek için Mime'de auc_dis_all() işlevini kullanın. Aşağıdaki kodları kullanın:
auc_dis_all(all.auc.1y,
dataset = names(list_train_vali_Data),
validate_set=names(list_train_vali_Data)[-1],
order= names(list_train_vali_Data),
width = 0.35,
year=1) - Mime'daki farklı veri kümeleri arasında belirli bir modelin zamana bağlı ROC eğrisini işleyin. Aşağıdaki kodları kullanın:
roc_vis(all.auc.1y,
model_name = "StepCox[forward] + plsRcox",
dataset = names(list_train_vali_Data),
order= names(list_train_vali_Data),
anno_position=c(0.65,0.55),
year=1)
3. Müdahale için tahmine dayalı modeller oluşturma
- Terapötik yanıt için tahmin modelleri oluşturmak için Example.ici ve genelist'e dayalı olarak Mime'de ML.Dev.Pred.Category.Sig() başka bir işlev kullanın. Aşağıdaki kodları kullanın:
load("./Example.ici.Rdata")
load("./genelist.Rdata")
res.ici <- ML.Dev.Pred.Category.Sig(
train_data = list_train_vali_Data$training,
list_train_vali_Data = list_train_vali_Data,
candidate_genes = genelist,
methods = c('nb','svmRadialWeights','rf',
'kknn','adaboost','LogitBoost',
'cancerclass'),
seed = 5201314,
cores_for_parallel = 60
) - Her model tarafından tahmin edilen AUC'yi çizmek için Mime'de auc_vis_category_all() işlevini kullanın. Aşağıdaki kodları kullanın:
auc_vis_category_all(res.ici,dataset = c("training","validation"),
order= c("training","validation")) - Mime'daki farklı veri kümeleri arasında belirli bir modelin ROC eğrisini işleyin. Aşağıdaki kodları kullanın:
plot_list<-list()
methods <- c('nb','svmRadialWeights','rf','kknn', 'adaboost','LogitBoost','cancerclass')
for (i in methods) {
plot_list[[i]]<-roc_vis_category(res.ici,model_name = i,
dataset = c("training","validation"),
order= c("training","validation"),
anno_position=c(0.4,0.25))
}
aplot::plot_list(gglist=plot_list,ncol=3)
4. Temel özellik seçimi
- Kritik genleri tanımlamak için Example.cohort ve genelist'i temel alan Mime'de ML.Corefeature.Prog.Screen() işlevini kullanın. Aşağıdaki kodları kullanın:
load("./Example.cohort.Rdata")
load("./genelist.Rdata")
res.feature.all <- ML.Corefeature.Prog.Screen(
InputMatrix = list_train_vali_Data$Dataset1,
candidate_genes = genelist,
mode = "all",nodesize =5,seed = 5201314 ) - Çıktı genleri hasta sonucu ile yakından ilişkilidir ve değişken taramalı frekansın daha yüksek olması, bunların temel özellik olduğu anlamına gelir (en sık filtrelenen değişkenler temel özellikler olarak tanımlanır). Farklı yöntemlerle filtrelenen genlerin sıralamasını çizmek için Mime'da core_feature_rank() işlevini kullanın. Aşağıdaki kodları kullanın:
core_feature_rank(res.feature.all, top=20)
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Mime'da 10 makine öğrenimi algoritmasını entegre ederek prognozotik modeller oluşturmak için bir eğitim kohortu ve bir doğrulama kohortu içeren genelist ve Example.kohortu kullanıldı. Mime tarafından oluşturulan 117 prognoz modeli arasında, StepCox [ileri] + plsRcox kombine modeli (SPCOM), tüm kohortlar arasında en yüksek C-indeksine sahipti ve bu da olağanüstü performansını gösteriyor (Şekil 1A). Hastalar ayrıca SPCOM tarafından hesaplanan medyan risk skoruna göre yüksek riskli ve düşük ris...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Bu çalışmada, transkriptomik veriler için sağlam ve güçlü makine öğrenimi tahmine dayalı modeller geliştirmek için Mime paketinin nasıl kullanılacağına dair ayrıntılı bir açıklama sunuyoruz. Önceki çalışmalarda, araştırmacılar genellikle sıralama verilerinin belirli özelliklerine dayalı olarak uygun tahmine dayalı model algoritmasını seçmekle mücadele ettiler13,14. Ek olarak, bilgisayar bilimi geçmişi olmayan araştırmacılar için,...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Herhangi bir çıkar çatışması beyan edilmedi.
Teşekkürler
Veri üretiminde görev alan tüm katılımcılara ve araştırmacılara teşekkür ederiz.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Paketin Adı | Sürüm | Yazılım | |
| Aplot | 0.1.10 | R stüdyosu | |
| BART | 2.9.4 | R stüdyosu | |
| Boruta | 8.0.0 | R stüdyosu | |
| kanser sınıfı | 1.38.0 | R stüdyosu | |
| düzeltme imi | 6.0-89 | R stüdyosu | |
| Ckmeans.1d.dp | 4.3.5 | R stüdyosu | |
| karşılaştırmak C | 1.3.2 | R stüdyosu | |
| Karmaşık Isı Haritası | 2.15.1 | R stüdyosu | |
| Kompozisyon | 2.0-4 | R stüdyosu | |
| veri.tablo | 1.14.0 | R stüdyosu | |
| doParalel | 1.0.16 | R stüdyosu | |
| dplyr | 1.1.3 | R stüdyosu | |
| e1071 | 1.7-7 | R stüdyosu | |
| orman avcısı | 1.1.0 | R stüdyosu | |
| gelecek | 1.21.0 | R stüdyosu | |
| gbm | 2.1.8.1 | R stüdyosu | |
| İyi oyun, kırma | 0.1.1 | R stüdyosu | |
| ggplot2 | 3.4.1 | R stüdyosu | |
| İyi oyunpubr | 0.4.0 | R stüdyosu | |
| İyi oyun | 2.9 | R stüdyosu | |
| glmnet | 4.1-2 | R stüdyosu | |
| Kılavuz | 4.1.3 | R stüdyosu | |
| ızgara Ekstra | 2.3 | R stüdyosu | |
| GSEABase | 1.54.0 | R stüdyosu | |
| GSVA Hakkında | 1.40.1 | R stüdyosu | |
| Hmisc | 5.1-1 | R stüdyosu | |
| kknn | 1.3.1 | R stüdyosu | |
| örücü | 1.42 | R stüdyosu | |
| Magittr'ın | 2.7.2 | R stüdyosu | |
| Matris | 1.5-4 | R stüdyosu | |
| Meta | 5.2-0 | R stüdyosu | |
| Çeşitli Araçlar | 0.6-28 | R stüdyosu | |
| mixOmics | 6.18.1 | R stüdyosu | |
| Karışım araçları | 1.2.0 | R stüdyosu | |
| PBuygula | 1.4-3 | R stüdyosu | |
| lütfen Rcox | 1.7.7 | R stüdyosu | |
| Yordam | 1.18.0 | R stüdyosu | |
| R | 4.1.3 | R stüdyosu | |
| randomForestSRC | 4.6-14 | R stüdyosu | |
| okuyucu | 1.4.0 | R stüdyosu | |
| Tarifler | 0.1.17 | R stüdyosu | |
| yeniden şekillendirme2 | 1.4.4 | R stüdyosu | |
| kâğıt | 2.8 | R stüdyosu | |
| ROCit | 2.1.1 | R stüdyosu | |
| ROCR | 1.0-11 | R stüdyosu | |
| Terazi | 1.2.1 | R stüdyosu | |
| serçe | 1.0.3 | R stüdyosu | |
| Dize | 1.5.0 | R stüdyosu | |
| Süper bilgisayar | 1.12 | R stüdyosu | |
| beka | 3.3-1 | R stüdyosu | |
| hayatta kalmaROC | 1.0.3 | R stüdyosu | |
| hayatta kalma svm | 0.0.5 | R stüdyosu | |
| Sva | 3.40.0 | R stüdyosu | |
| testthat | 3.1.0 | R stüdyosu | |
| Tibble | 3.2.1 | R stüdyosu | |
| düzenli | 1.3.0 | R stüdyosu | |
| Düzenli Evren | 1.3.1 | R stüdyosu | |
| UpSetR | 1.4.0 | R stüdyosu | |
| Viridis | 0.6.1 | R stüdyosu |
Kaynaklar
- Reuter, J. A., Spacek, D. V., Snyder, M. P. High-throughput sequencing technologies. Mol Cell. 58 (4), 586-597 (2015).
- Adam, G., et al. Machine learning approaches to drug response prediction: challenges and recent progress. NPJ Precision Oncol. 4, 19(2020).
- Ding, L., et al. Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics. Cell. 173 (2), 305-320.e10 (2018).
- Liu, H., et al. A potassium-chloride co-transporter with altered genome architecture functions as a suppressor in glioma. J Cell Mol Med. 28 (9), e18352(2024).
- Hanahan, D. Hallmarks of Cancer: New Dimensions. Cancer Disc. 12 (1), 31-46 (2022).
- Kourou, K., et al. Machine learning applications in cancer prognosis and prediction. Comp Str Biotechnol J. 13, 8-17 (2015).
- Liu, Z., et al. Machine learning-based integration develops an immune-derived lncRNA signature for improving outcomes in colorectal cancer. Nat Comm. 13 (1), 816(2022).
- Sundar, R., et al. Machine-learning model derived gene signature predictive of paclitaxel survival benefit in gastric cancer: results from the randomised phase III SAMIT trial. Gut. 71 (4), 676-685 (2022).
- Zhang, W., et al. Machine learning-based investigation of regulated cell death for predicting prognosis and immunotherapy response in glioma patients. Sci Rep. 14 (1), 4173(2024).
- Zhang, W., et al. Pan-cancer evaluation of regulated cell death to predict overall survival and immune checkpoint inhibitor response. NPJ Precision Oncol. 8 (1), 77(2024).
- Hindocha, S., et al. A comparison of machine learning methods for predicting recurrence and death after curative-intent radiotherapy for non-small cell lung cancer: Development and validation of multivariable clinical prediction models. EBioMedicine. 77, 103911(2022).
- Liu, H., et al. Mime: A flexible machine-learning framework to construct and visualize models for clinical characteristics prediction and feature selection. Comput Str Biotechnol J. 23, 2798-2810 (2024).
- Hwang, H., et al. Big data and deep learning for RNA biology. Exp Mol Med. 56 (6), 1293-1321 (2024).
- Sharma, A., et al. Advances in AI and machine learning for predictive medicine. J Hum Genet. 69 (10), 487-497 (2024).
- Greener, J. G., et al. A guide to machine learning for biologists. Nat Rev Mol Cell Biol. 23 (1), 40-55 (2022).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yeniden basım ve izinler
