Method Article

Mime Tabanlı Makine Öğrenmesi Çerçevesini Kullanarak Modeller Oluşturma ve Görselleştirme

DOI:

10.3791/68553

⸱

July 22nd, 2025

 ,  ,  ,  , 
1Department of Neurosurgery, Xiangya Hospital, Central South University, 2National Clinical Research Center for Geriatric Disorders, Xiangya Hospital, Central South University, 3Hunan International Scientific and Technological Cooperation Base of Brain Tumor Research, Xiangya Hospital, Central South University, 4Furong Laboratory

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 terapöt....

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

  1. Aşağıdaki kodu kullanarak ....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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,.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Herhangi bir çıkar çatışması beyan edilmedi.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Veri üretiminde görev alan tüm katılımcılara ve araştırmacılara teşekkür ederiz.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Paketin AdıSürümYazılım
Aplot0.1.10R stüdyosu
BART2.9.4R stüdyosu
Boruta8.0.0R stüdyosu
kanser sınıfı1.38.0R stüdyosu
düzeltme imi6.0-89R stüdyosu
Ckmeans.1d.dp4.3.5R stüdyosu
karşılaştırmak C1.3.2R stüdyosu
Karmaşık Isı Haritası2.15.1R stüdyosu
Kompozisyon2.0-4R stüdyosu
veri.tablo1.14.0R stüdyosu
doParalel1.0.16R stüdyosu
dplyr1.1.3R stüdyosu
e10711.7-7R stüdyosu
orman avcısı1.1.0R stüdyosu
gelecek1.21.0R stüdyosu
gbm2.1.8.1R stüdyosu
İyi oyun, kırma0.1.1R stüdyosu
ggplot23.4.1R stüdyosu
İyi oyunpubr0.4.0R stüdyosu
İyi oyun2.9R stüdyosu
glmnet4.1-2R stüdyosu
Kılavuz4.1.3R stüdyosu
ızgara Ekstra2.3R stüdyosu
GSEABase1.54.0R stüdyosu
GSVA Hakkında1.40.1R stüdyosu
Hmisc5.1-1R stüdyosu
kknn1.3.1R stüdyosu
örücü1.42R stüdyosu
Magittr'ın2.7.2R stüdyosu
Matris1.5-4R stüdyosu
Meta5.2-0R stüdyosu
Çeşitli Araçlar0.6-28R stüdyosu
mixOmics6.18.1R stüdyosu
Karışım araçları1.2.0R stüdyosu
PBuygula1.4-3R stüdyosu
lütfen Rcox1.7.7R stüdyosu
Yordam1.18.0R stüdyosu
R4.1.3R stüdyosu
randomForestSRC4.6-14R stüdyosu
okuyucu1.4.0R stüdyosu
Tarifler0.1.17R stüdyosu
yeniden şekillendirme21.4.4R stüdyosu
kâğıt2.8R stüdyosu
ROCit2.1.1R stüdyosu
ROCR1.0-11R stüdyosu
Terazi1.2.1R stüdyosu
serçe1.0.3R stüdyosu
Dize1.5.0R stüdyosu
Süper bilgisayar1.12R stüdyosu
beka3.3-1R stüdyosu
hayatta kalmaROC1.0.3R stüdyosu
hayatta kalma svm0.0.5R stüdyosu
Sva3.40.0R stüdyosu
testthat3.1.0R stüdyosu
Tibble3.2.1R stüdyosu
düzenli1.3.0R stüdyosu
Düzenli Evren1.3.1R stüdyosu
UpSetR1.4.0R stüdyosu
Viridis0.6.1R stüdyosu

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Reuter, J. A., Spacek, D. V., Snyder, M. P. High-throughput sequencing technologies. Mol Cell. 58 (4), 586-597 (2015).
  2. Adam, G., et al. Machine learning approaches to drug response prediction: challenges and recent progress. NPJ Precision Oncol. 4....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine Learning FrameworkPredictive Model ConstructionFeature SelectionData VisualizationTranscriptional SequencingPrognosis ModelingTherapeutic Response PredictionSurvival AnalysisCore Gene IdentificationModel Performance Metrics

Related Articles