Omics BioAnalytics: an RShiny application for multimodal biomarker panel discovery and assessment
Notice bibliographique
Résumé
Motivation: Machine learning offers a powerful approach for building predictive models from high-dimensional molecular data. Omics technologies such as transcriptomics, proteomics, and metabolomics quantify thousands of molecules simultaneously, providing deep insights into disease biology. Integrating multiple modalities can enhance predictive performance, as shown in histology-omics and holter-omics applications. To support streamlined, reproducible, and user-friendly multimodal analytics, we developed Omics BioAnalytics, an R Shiny platform for unified analysis, integration, and interpretation of diverse omics datasets. Results: Omics BioAnalytics performs late integration using ensembles of elastic net models trained independently on each modality, with predictions averaged across datasets. The platform provides interactive dashboards for metadata exploration, exploratory analyses, differential expression, gene set analysis, and biomarker discovery. Results are visualized through dynamic plots and downloadable reports, ensuring transparent and reproducible workflows. A unique feature is the integrated multimodal Alexa Skill, which enables voice-based querying and rapid visualization. Together, these web and voice-enabled tools offer accessible and reproducible multimodal analytics for biomedical researchers, supporting the discovery of molecular signatures, predictive biomarkers, and therapeutic targets. Availability and implementation: All source code, public datasets, video walkthroughs, and the deployed application are available at: https://github.com/CompBio-Lab/omicsBioAnalytics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,025 |
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 source (Gemma direct ou Codex distillé), 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 ».