Eksisterende algoritmer generere en løsning for et biomarkør oppdagelsen dataset. Denne protokollen viser eksistensen av flere lignende effektiv løsninger og presenterer en brukervennlig programvare for å hjelpe biomedisinske forskere undersøke deres datasett for foreslåtte challenge. Dataforskere kan også tilby denne funksjonen i deres biomarkør oppdagelsen algoritmer.
Biomarkør oppdagelsen er en av de viktigere biomedisinske spørsmålene for høy gjennomstrømming ‘omics’ forskere, og nesten alle eksisterende biomarkør oppdagelsen algoritmer generere en biomarkør delsett med optimalisert ytelse målene for et gitt datasett . En fersk studie viste imidlertid eksistensen av flere biomarkør delsett med lignende effektiv eller selv identiske klassifisering forestillinger. Denne protokollen gir en enkel og grei metode for å oppdage biomarkør delsett med binære klassifisering forestillinger, bedre enn en brukerdefinert cutoff. Protokollen består av data forberedelse og lasting, opprinnelig informasjon Sammendragsstruktur, parameteren tuning, biomarkør screening, resultatet visualisering tolkning, biomarkør genet merknader og resultatet og visualisering eksport på publikasjonen kvalitet. Den foreslåtte biomarkør screening strategi er intuitivt og demonstrerer regel for å utvikle biomarkør oppdagelsen algoritmer. En bruker-vennlig grafisk bruker grenseflate (GUI) ble utviklet ved hjelp av programmeringsspråket Python, slik at biomedisinske forskere har direkte tilgang til sine resultater. Kildekoden og manuell av kSolutionVis kan lastes ned fra http://www.healthinformaticslab.org/supp/resources.php.
Binær klassifisering, en av mest brukte undersøkt og utfordrende dataminering problemer i biomedisinsk området brukes til å bygge en klassifisering modell trent på to grupper av prøver med den mest nøyaktige diskriminering power1, 2 , 3 , 4 , 5 , 6 , 7. men store dataene som genereres i feltet biomedisinsk har iboende “store p liten n” paradigme, med antall funksjoner vanligvis mye større enn antall prøver6,8,9. Derfor må biomedisinske forskere redusere funksjonen dimensjonen før utnytte klassifisering algoritmer for å unngå overfitting problemet8,9. Diagnose biomarkers defineres som et delsett av oppdaget funksjoner skiller pasienter på en gitt sykdom fra sunn kontroll prøver10,11. Pasienter er vanligvis definert som positive prøvene, og sunn kontrollene er definert som den negative prøver12.
Nyere studier har antydet at det finnes mer enn én løsning med identiske eller lignende effektiv klassifisering forestillinger for biomedisinsk dataset5. Nesten alle funksjonen utvalg algoritmer er deterministisk algoritmer, produsere bare én løsning for samme datasettet. Genetiske algoritmer kan samtidig generere flere løsninger med lignende forestillinger, men fortsatt de prøver å velge en løsning med beste egnethetsfunksjonen utdata for et gitt datasett13,14.
Funksjonsvalg algoritmer kan grupperes omtrent som filtre eller wrappers12. En filter-algoritme velger topp –k funksjonene rangert av betydelige personlige tilknytning binære klasse etikettene basert på antagelsen om at funksjoner er uavhengig av hverandre15,16,17 . Selv om denne antakelsen ikke holder sant for nesten alle reelle datasett, utfører heuristisk filter regelen i mange tilfeller, for eksempel mRMR (Minimum redundans og maksimal relevans) algoritmen, Diversified test basert funksjonen filtrering (WRank) algoritme og ROC (mottaker drift karakteristiske) tomten basert filtrering (ROCRank) algoritme. mRMR, er en effektiv filter algoritme fordi den beregner kombinasjon estimering problemet med en rekke mye mindre problemer, sammenligne maksimum-avhengighet funksjonen utvalg algoritmen, hver bare involverer to variabler, og Derfor bruker parvis joint sannsynligheter som er mer robust18,19. MRMR kan imidlertid undervurdere nytten av noen funksjoner som det ikke måle samspillet mellom funksjoner som kan øke relevans, og dermed savner noen funksjon kombinasjoner som er individuelt ubrukelig men er nyttige bare når kombinert. WRank algoritmen beregner en ikke-parametriske score på hvordan discriminative en funksjon er mellom to klasser av prøver, og er kjent for sin robusthet for outliers20,21. Videre evaluerer ROCRank algoritmen betydelig området Under ROC kurven (AUC) for en bestemt funksjon er undersøkt binære klassifisering ytelse22,23.
På den annen side, en wrapper evaluerer forhåndsdefinerte klassifisererens ytelse til en gitt funksjon undergruppe, iterativt generert av heuristisk regel og oppretter funksjonen delsettet med de beste ytelse måling24. En wrapper vanligvis utkonkurrerer filtere i klassifisering ytelse, men kjører tregere25. For eksempel bruker Regularized tilfeldig skog (RRF)26,27 algoritmen grådig regel ved å evaluere funksjonene på et delsett av treningsdata på hver tilfeldig skogen node, hvis funksjonen betydning score evalueres i Gini indeksen . Valget av en ny funksjon skal straffes hvis sitt informasjon gevinst ikke forbedrer som de valgte funksjonene. I tillegg prediksjon analyse for Microarrays (PAM)28,29 algoritmen, også en wrapper algoritmen, beregner en centroid for hver klasse etiketter og deretter funksjoner krympe genet centroids mot generelt klassen centroid. PAM er robust for avsidesliggende funksjoner.
Flere løsninger med topp klassifisering ytelsen kan være nødvendig for en gitt datasett. Først er optimalisering målet av en deterministisk algoritme definert av en matematisk formel, f.eks, minst feil rate30, som er ikke nødvendigvis ideelt for biologiske prøver. Dernest kan dataset ha flere signifikant forskjellig, løsninger med lignende effektiv eller selv identiske forestillinger. Nesten alle eksisterende funksjonen utvalg algoritmer vil tilfeldig velger en av disse løsningene som utgang31.
Denne studien vil innføre en informatikk analytiske protokoll for å generere flere funksjonen utvalg løsninger med lignende forestillinger for enhver gitt binære klassifisering dataset. Tatt i betraktning at de fleste biomedisinske forskere ikke er kjent med informatic teknikker eller datamaskin koding, ble en bruker-vennlig grafisk bruker grenseflate (GUI) utviklet for å lette rask analyse av biomedisinsk binære klassifisering datasett. Analytiske protokollen består av data lessing og summere, parameteren tuning, rørledning utførelse og resultatet tolkninger. Med et enkelt klikk er forskeren kunne generere biomarkør delsett og publisering kvalitet visualisering tomter. Protokollen er testet med transcriptomes av to binære klassifisering datasett av akutt lymfatisk leukemi (alle), dvs, ALL1 og ALL212. Datasett ALL1 og ALL2 ble lastet ned fra bred Institute genomet analyse datasenteret, tilgjengelig på http://www.broadinstitute.org/cgi-bin/cancer/datasets.cgi. ALL1 inneholder 128 prøver med 12,625 funksjoner. Disse prøvene, 95 er B-celle alle og 33 er T-celle alle. ALL2 inkluderer 100 prøver med 12,625 funksjoner også. Disse prøvene er det 65 pasienter som LED tilbakefall og 35 pasienter som ikke. ALL1 var en enkel binær klassifisering datasett, med et minimum nøyaktigheten av fire filtre og fire wrappers 96.7%, og 6 av de 8 funksjon utvalg algoritmene å oppnå 100%12. Mens ALL2 var vanskeligere dataset, med over 8 funksjonen utvalg algoritmer å oppnå ikke bedre enn 83.7% nøyaktighet12. Dette best nøyaktighet ble oppnådd med 56 funksjoner oppdaget av wrapper algoritmen, korrelasjon-basert funksjon utvalg (CFS).
Denne studien gir en lett-å-følge flere løsning biomarkør gjenkjenning og karakterisering protokoll for brukerdefinert binære klassifisering dataset. Programvaren legger vekt på brukervennlighet og fleksibel import/eksport grensesnitt for ulike filformater, slik at biomedisinsk forsker å undersøke deres dataset lett benytter GUI av programvaren. Denne studien også fremhever nødvendigheten av å generere flere løsninger med lignende effektiv modellering forestillinger, tidligere ignorert av mange eksisterende b…
The authors have nothing to disclose.
Dette arbeidet ble støttet av den strategiske prioritet Research Program det kinesiske vitenskapsakademi (XDB13040400) og oppstart tilskudd fra Jilin University. Anonyme vurderinger og biomedisinsk testing brukere ble verdsatt for sine konstruktive kommentarer å forbedre brukervennligheten og funksjonaliteten til kSolutionVis.
Hardware | |||
laptop | Lenovo | X1 carbon | Any computer works. Recommended minimum configuration: 1GB extra hard disk space, 1 GB memory, 2.0MHz CPU |
Name | Company | Catalog Number | Comments |
Software | |||
Python 3.0 | WingWare | Wing Personal | Any python programming and running environments support Python version 3.0 or above |