FusionLearn: a biomarker selection algorithm on cross-platform data
Notice bibliographique
Résumé
MOTIVATION: In high dimensional genetic data analysis, the objective is to select important biomarkers which are involved in some biological processes, such as disease progression, immune response, etc. The experimental data are often collected from different platforms including microarray experiments and proteomic experiments. The conventional single-platform approach lacks the capability to learn from multiple platforms, and the resulted lists of biomarkers vary across different platforms. There is a great need to develop an algorithm which can aggregate information across platforms and provide a consolidated list of biomarkers across different platforms. RESULTS: In this paper, we introduce an R package FusionLearn, which implements a fusion learning algorithm to analyze cross-platform data. The consolidated list of biomarkers is selected by the technique of group penalization. We first apply the algorithm on a collection of breast cancer microarray experiments from the NCBI (National Centre for Biotechnology Information) microarray database and the resulted list of selected genes have higher classification accuracy rate across different datasets than the lists generated from each single dataset. Secondly, we use the software to analyze a combined microarray and proteomic dataset for the study of the growth phase versus the stationary phase in Streptomyces coelicolor. The selected biomarkers demonstrate consistent differential behavior across different platforms. AVAILABILITY AND IMPLEMENTATION: R package: https://cran.r-project.org/package=FusionLearn.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».