Анализатор и тестер рабочих характеристик приемника
| Содержание | |
|---|---|
| Описание | Тестирование рабочих характеристик приемника при кластеризации метаболомики |
| Контакт | |
| Исследовательский центр | Университет Альберты |
| Лаборатория | Дэвид С. Уишарт |
| Первичное цитирование | [ 1 ] |
| Доступ | |
| Формат данных | Ввод данных : Метаболомика создала наборы данных, загруженные в виде файлов CSV, содержащих образцы, значения и информацию о маркировке подгрупп. Вывод данных : CSV, PNG, PDF, файл истории R. |
| Веб-сайт | http://www.roccet.ca |
| Разнообразный | |
| Выпуск данных частота | Последнее обновление: март 2014 г. |
Обозреватель и тестер кривой рабочих характеристик приемника ( ROCCET ) — это веб-сервер с открытым доступом для выполнения анализа биомаркеров с использованием анализа кривой ROC ( Рабочие характеристики приемника ) на наборах метаболомических данных. [ 1 ] ROCCET разработан специально для проведения и оценки стандартного теста бинарной классификации (болезнь против контроля). ROCCET принимает таблицы данных о метаболитах с клиническими/наблюдательными переменными или без них в качестве входных данных и выполняет обширный анализ биомаркеров и идентификацию биомаркеров с использованием этих входных данных. Он работает через навигационную систему на основе меню, которая позволяет пользователям идентифицировать или оценивать те клинические переменные и/или метаболиты, которые содержат максимальную диагностическую или классовую информацию. ROCCET поддерживает как ручной, так и полуавтоматический выбор функций и способен автоматически генерировать различные математические модели, которые максимизируют чувствительность и специфичность биомаркера(ов) при минимизации количества биомаркеров, используемых в модели биомаркера. ROCCET также поддерживает строгую оценку качества и надежности недавно открытых биомаркеров с использованием перестановочного тестирования, проверочного тестирования и перекрестной проверки.
Предыстория: кривые ROC при открытии биомаркеров
[ редактировать ]Биомаркеры обычно определяются как измеряемые характеристики, которые можно использовать в качестве индикаторов некоторого биологического состояния или состояния. Это могут быть гены, химические вещества, белки, физиологические параметры, данные визуализации или гистологические измерения. Биомаркеры могут состоять из отдельных компонентов (например, глюкозы в крови) или нескольких компонентов (панель биомаркеров, таких как ацилкарнитины). Медицинские биомаркеры делятся на 5 основных категорий: 1) диагностические (используются для определения наличия у вас заболевания или состояния); 2) прогностический (используется для определения того, насколько хорошо вы справитесь с заболеванием или состоянием); 3) прогнозирующий (используется для определения того, можете ли вы заболеть заболеванием); 4) эффективность или мониторинг (используется для определения того, насколько хорошо лекарство или лечение помогает в борьбе с заболеванием) и 5) воздействие (используется для определения того, подвергались ли вы воздействию лекарства, пищи, токсина или другого вида вещества). Хорошие биомаркеры должны обладать хорошей чувствительностью (доля правильно идентифицированных истинно положительных результатов) и хорошей специфичностью (доля правильно определенных истинно отрицательных результатов). Идеальный биомаркер или панель биомаркеров должны быть на 100% чувствительными (предсказывать, что все люди в группе больных будут больными) и на 100% специфичными (не предсказывать, что кто-либо из здоровой группы заболеет). Однако, поскольку мало что в жизни идеально, часто приходится искать компромисс между чувствительностью и специфичностью. В исследованиях медицинских биомаркеров становится все более распространенным сообщать об этом компромиссе в чувствительности и специфичности, используя Кривая рабочих характеристик приемника (ROC). [ 2 ] Кривые ROC отображают чувствительность биомаркера по оси y и частоту ложных обнаружений (1-специфичность) по оси x. Изображение различных кривых ROC показано на рисунке 1. Кривые ROC предоставляют простой визуальный метод определения граничного предела (или порога разделения) биомаркера или комбинации биомаркеров для оптимального сочетания чувствительности и специфичности. AUC (площадь под кривой) кривой ROC отражает общую точность и эффективность разделения биомаркера (или биомаркеров). [ 3 ] и может быть легко использован для сравнения различных комбинаций или моделей биомаркеров. [ 4 ] Как правило, чем меньше биомаркеров используется для максимизации AUC кривой ROC, тем лучше.
Метаболомика
[ редактировать ]Система создания и анализа ROC-кривых ROCCET специально разработана для наборов метаболомических данных. Наборы метаболомных данных, полученные с помощью высокопроизводительных методов аналитической химии, обычно состоят из больших матриц, содержащих несколько значений для нескольких образцов. Сравнение между группами или подмножествами выборок в данных обычно включает статистические процедуры, использующие одномерный анализ и многомерный анализ, такие как частичный метод наименьших квадратов - дискриминантный анализ (PLS-DA). [ 5 ] или процедуры классификации машинного обучения, такие как машина опорных векторов (SVM). [ 6 ] В результате ROCCET предлагает два различных типа аналитических модулей – одномерный модуль и многомерный модуль. В одномерном модуле отдельные переменные оцениваются (с помощью t-критерия ) и ранжируются по их эффективности разделения (т. е. AUC ROC), включая доверительные интервалы (CI) и вычисленный оптимальный порог. В многомерном модуле можно выбирать между тремя различными методами — SVM ( машина опорных векторов ), PLS-DA ( частичных наименьших квадратов дискриминантный анализ ) и случайные леса для классификации и выбора метаболитов или клинических переменных для оптимальной работы ROC. В результате анализа создаются наиболее эффективные многопараметрические модели на основе их характеристик кривой ROC. В этом модуле также представлены важные переменные (клинические переменные и/или метаболиты), влияющие на модель (через «ROC explorer»). ROCCET также поддерживает возможность вручную выбирать определенные переменные для включения в данную модель биомаркера. Эти переменные можно проанализировать с помощью «ROC tester». ROCCET также поддерживает строгую оценку качества и надежности недавно обнаруженных биомаркеров или панелей биомаркеров с использованием перестановочного тестирования, предварительного тестирования и перекрестной проверки. ROCCET генерирует множество красочных готовых для журнала графиков и таблиц (см. рисунки 1 и 2) и поддерживает загрузку всех сгенерированных файлов, включая таблицы ( CSV ), графики ( PNG или PDF ) и историю обработки в виде файла R (который можно прочитать как простой текстовый файл). Учебное пособие по использованию ROCCET представлено в следующей ссылке. [ 1 ] Наборы обучающих данных доступны на веб-сайте ROCCET для экспериментов с инструментом.
См. также
[ редактировать ]- Рабочая характеристика приемника
- Метаболомика
- Биомаркер (медицина)
- Чувствительность и специфичность
- Биология
- Микробиология
- Одномерный
- Многомерный
- Биомаркер
Ссылки
[ редактировать ]- ^ Перейти обратно: а б с Ся, Дж; Бродхерст, Д.И.; Уилсон М; Уишарт Д.С. (апрель 2013 г.). «Открытие трансляционных биомаркеров в клинической метаболомике: вводное руководство» . Метаболомика . 9 (2): 280–99. дои : 10.1007/s11306-012-0482-9 . ПМЦ 3608878 . ПМИД 23543913 .
- ^ Сорейде, К. (2009). «Анализ рабочих характеристик приемника в диагностических, прогностических и прогнозирующих исследованиях биомаркеров». Дж. Клин Патол . 62 (1): 1–5. дои : 10.1136/jcp.2008.061010 . ПМИД 18818262 . S2CID 42785869 .
- ^ Кумар, Р; Индраян А. (апрель 2011 г.). «Кривая рабочей характеристики приемника (ROC) для исследователей-медиков». Индийский педиатр . 48 (4): 277–87. дои : 10.1007/s13312-011-0055-4 . ПМИД 21532099 . S2CID 7342497 .
- ^ Хэнли, Дж.А.; Макнил Би Джей (сентябрь 1983 г.). «Метод сравнения площадей под кривыми рабочих характеристик приемника, полученными на основе одних и тех же случаев» . Радиология . 148 (3): 839–43. дои : 10.1148/radiology.148.3.6878708 . ПМИД 6878708 .
- ^ Баркер, М; Райенс В. (март 2003 г.). «Частичные наименьшие квадраты для дискриминации». Дж. Чемом . 17 (3): 166–73. дои : 10.1002/cem.785 . S2CID 7827328 .
- ^ Махадеван, С; Шах С.Л.; Жениться на Ти Джей; Слупский CM (октябрь 2008 г.). «Анализ метаболомических данных с использованием машин опорных векторов». Анальный. Хим . 80 (19): 7562–70. дои : 10.1021/ac800954c . ПМИД 18767870 .