수신기 작동 특성 곡선 탐색기 및 테스터

Receiver Operating Characteristic Curve Explorer and Tester
수신기 작동 특성 곡선 탐색기 및 테스터
내용
묘사대사체 클러스터링의 수신기 작동 특성 곡선 테스트
연락
연구소앨버타 대학교
실험실.데이비드 S.위샤트
주요 인용문[1]
접근
data 형식데이터 입력:대사체학은 샘플, 값 및 하위 그룹 레이블 정보가 포함된 CSV 파일로 업로드된 데이터 세트를 생성했습니다.데이터 출력: CSV, PNG, PDF, R 이력 파일.
웹 사이트http://www.roccet.ca
여러가지 종류의
데이터 릴리즈
빈도수.		최종 갱신일 : 2014년 3월

ROCET(Receiver Operationic Curve Explorer and Tester)는 대사체 데이터 [1]세트에 대해 ROC(Receiver Operation Characteric) 곡선 분석을 사용하여 바이오마커 분석을 수행하기 위한 개방형 액세스 웹 서버입니다.ROCCET은 표준 바이너리 분류 테스트(질병 대 제어)를 수행하고 평가하기 위해 특별히 설계되었습니다.ROCCET은 임상/관측 변수 유무에 관계없이 대사물 데이터 테이블을 입력으로 받아들이고 이러한 입력 데이터를 사용하여 광범위한 바이오마커 분석 및 바이오마커 식별을 수행합니다.사용자가 최대 진단 또는 등급 예측 정보를 포함하는 임상 변수 및/또는 대사물을 식별하거나 평가할 수 있는 메뉴 기반 내비게이션 시스템을 통해 작동합니다.ROCCET은 수동 및 반자동 피쳐 선택을 모두 지원하며 바이오마커 모델에 사용되는 바이오마커의 수를 최소화하면서 바이오마커의 감도와 특이성을 최대화하는 다양한 수학적 모델을 자동으로 생성할 수 있습니다.ROCCET은 또한 치환 테스트, 홀드아웃 테스트 및 교차 검증을 사용하여 새로 발견된 바이오마커의 품질과 견고성에 대한 엄격한 평가를 지원합니다.

배경 – 바이오마커 발견 시 ROC 곡선

바이오마커는 일반적으로 생물학적 상태 또는 상태를 나타내는 지표로 사용될 수 있는 측정된 특성으로 정의됩니다.그것들은 유전자, 화학 물질, 단백질, 생리학적 매개변수, 영상 데이터 또는 조직학적 측정일 수 있다.바이오마커는 단일 성분(즉 혈당) 또는 여러 성분(아실카르니틴과 같은 바이오마커 패널)으로 구성될 수 있다.의료용 바이오마커는 5가지 주요 범주로 나뉩니다. 1) 진단(질병 또는 상태 확인에 사용됨), 2) 예후(질병 또는 상태 확인에 사용됨), 3) 예측(질병에 걸릴 수 있는지 판단하기 위해 사용됨), 4) 효능 또는 모니터링(약물 또는 치료의 효과를 판단하기 위해 사용됨).5) 노출(약물, 음식, 독소 또는 기타 종류의 물질에 노출되었는지 여부를 판단하기 위해 사용됨) 및 5) 노출.좋은 바이오마커는 좋은 민감도(정확하게 식별된 참 긍정의 비율)와 좋은 특이성(정확하게 식별된 참 부정의 비율)을 보여야 한다.완벽한 바이오마커 또는 바이오마커 패널은 100% 민감하고(병든 그룹의 모든 사람이 아프다고 예측함) 100% 특이합니다(건강한 그룹의 누구도 아프다고 예측하지 않음).하지만, 인생에서 완벽한 것은 거의 없기 때문에, 종종 민감성과 특수성 사이에 트레이드오프가 있다.의료용 바이오마커 연구에서 리시버 작동 특성([2]ROC) 곡선을 사용하여 민감도와 특이성의 트레이드오프를 보고하는 것이 점점 더 일반화되고 있다.ROC 곡선은 x축의 잘못된 발견 속도(1-특이성)에 대해 y축에 바이오마커의 감도를 표시합니다.다른 ROC 곡선의 이미지를 그림 1에 나타냅니다. ROC 곡선은 감도와 특이성의 최적 조합을 위해 바이오마커 또는 바이오마커의 조합의 경계 한계(또는 분리 한계)를 결정하는 간단한 시각적 방법을 제공합니다.ROC 곡선의 AUC(곡선 아래 영역)는 바이오마커(또는 바이오마커)[3]의 전체적인 정확도와 분리 성능을 반영하며, 다양한 바이오마커 조합 또는 [4]모델을 쉽게 비교할 수 있습니다.경험에 비추어 볼 때 ROC 곡선의 AUC를 최대화하기 위해 사용하는 바이오마커가 적을수록 좋다.

대사체학

ROCCET의 ROC 곡선 생성 및 분석은 특히 대사체 데이터 세트에 맞게 조정되었습니다.높은 처리량 분석 화학 기법으로 생성된 대사체 데이터 세트는 일반적으로 여러 샘플에 대한 여러 값을 포함하는 큰 행렬로 구성됩니다.데이터 내에 샘플의 그룹이나 하위 집합 사이의 비교 보통 부분 최소 스퀘어-판별 분석과 같은 일변량 해석 및 다변량 분석 고용하고 있는(PLS-DA), ROCCET 2을 제공한다 통계적 절차 서포트 벡터 머신 그 결과(SVM)[6]이나 기계[5]학습 분류 절차를 포함한다. diffe일변량 모듈과 다변량 모듈 등 분석 모듈의 종류를 대여합니다.일변량 모듈에서 단일 변수는 (t-테스트에 의해) 평가되고 신뢰 구간(CI) 및 계산된 최적 임계값을 포함한 분리 성능(ROC의 AUC)에 대해 순위가 매겨진다.다변량 모듈에서는 최적의 ROC 성능을 위해 대사물 또는 임상 변수를 분류 및 선택하기 위한 SVM(지원 벡터 머신), PLS-DA(부분 최소 제곱 판별 분석), 랜덤 포레스트(Random Forest)의 세 가지 기술 중에서 선택할 수 있습니다.결과 분석은 ROC 곡선 특성을 기반으로 최고 성능의 다중 변수 모델을 생성합니다.또한 이 모듈에서는 ("ROC 탐색기"를 통해) 모델에 기여하는 중요한 변수(임상 변수 및/또는 대사물)를 제시합니다.ROCCET은 또한 주어진 바이오마커 모델에 포함할 특정 변수를 수동으로 선택하는 옵션을 지원합니다.이러한 변수는 "ROC 테스터"를 사용하여 분석할 수 있습니다.ROCCET은 또한 치환 테스트, 홀드아웃 테스트 및 교차 검증을 사용하여 새로 발견된 바이오마커 또는 바이오마커 패널의 품질과 견고성에 대한 엄격한 평가를 지원합니다.ROCCET은 다양한 컬러풀한 저널 대응 그래프와 테이블을 생성하고(그림1 및 2 참조), 테이블(CSV 형식), 그래프(PNG 또는 PDF), 처리 이력을 포함한 모든 생성 파일을 R 파일(심플한 텍스트 파일로 읽을 수 있음)로 다운로드할 수 있습니다.ROCCET 사용에 대한 튜토리얼은 다음 [1]참조에서 제공됩니다.교육 데이터 세트는 ROCCET 웹 사이트에서 툴을 사용해 실험할 수 있습니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b c Xia, J; Broadhurst DI; Wilson M; Wishart DS (Apr 2013). "Translational biomarker discovery in clinical metabolomics: an introductory tutorial". Metabolomics. 9 (2): 280–99. doi:10.1007/s11306-012-0482-9. PMC 3608878. PMID 23543913.
  2. ^ Soreide, K (2009). "Receiver-operating characteristic curve analysis in diagnostic, prognostic and predictive biomarker research". J Clin Pathol. 62 (1): 1–5. doi:10.1136/jcp.2008.061010. PMID 18818262. S2CID 42785869.
  3. ^ Kumar, R; Indrayan A (Apr 2011). "Receiver operating characteristic (ROC) curve for medical researchers". Indian Pediatr. 48 (4): 277–87. doi:10.1007/s13312-011-0055-4. PMID 21532099. S2CID 7342497.
  4. ^ Hanley, JA; McNeil BJ (Sep 1983). "A method of comparing the areas under receiver operating characteristic curves derived from the same cases". Radiology. 148 (3): 839–43. doi:10.1148/radiology.148.3.6878708. PMID 6878708.
  5. ^ Barker, M; Rayens W (Mar 2003). "Partial least squares for discrimination". J Chemometr. 17 (3): 166–73. doi:10.1002/cem.785. S2CID 7827328.
  6. ^ Mahadevan, S; Shah SL; Marrie TJ; Slupsky CM (Oct 2008). "Analysis of metabolomic data using support vector machines". Anal. Chem. 80 (19): 7562–70. doi:10.1021/ac800954c. PMID 18767870.