Receptor operativo Tester y curva característica Explorer
 |
|
|---|---|
| Contenido | |
| Descripción | Receptor que opera curva característica pruebas de Metabolómica de clustering |
| Contacto | |
| Centro de investigación | Universidad de Alberta |
| Laboratorio | El Dr. David Wishart |
| Citación primaria | [1] |
| Acceso | |
| Formato de datos | Entrada de datos:: Metabolómica produce bases de datos, como archivos CSV que contienen muestras, valores e información etiquetado subgrupo. Salida de datos:: CSV, PNG, PDF, archivo de historial de R. |
| Sitio web | https://www.roccet.CA |
| Herramientas | |
| Misceláneo | |
| Frecuencia de publicación de datos | Por última vez en marzo de 2014 |
Receptor operativo Tester y curva característica Explorer (ROCCET) es un servidor web de acceso abierto para realizar análisis de biomarcadores utilizando (ROCCaracterística de funcionamiento de receptor) curva de análisis sobre los conjuntos de datos metabolómicos.[1] ROCCET está diseñado específicamente para realizar y evaluar una prueba de clasificación binaria (enfermedad vs control). ROCCET acepta las tablas de datos metabolito, con o sin variables clínicas/observacional, como entrada y realiza extenso biomarcadores Análisis y biomarcadores identificación mediante estos datos de entrada. Funciona mediante un sistema de menús de navegación que permite a los usuarios identificar o evaluar las variables clínicas y metabolitos que contienen la máxima información diagnóstica o clase predictivo. ROCCET soporta ambos selección manual y semiautomático y es capaz de generar automáticamente una gran variedad de modelos matemáticos que maximizan la sensibilidad y la especificidad de la biomarker(s) al tiempo que minimiza el número de los biomarcadores utilizados en el modelo de biomarcadores. ROCCET también admite la evaluación rigurosa de la calidad y robustez del recién descubiertos biomarcadores utilizando pruebas de permutación, sacar pruebas y validación cruzada.
Contenido
- 1 Fondo – curvas ROC en descubrimiento de biomarcadores
- 2 Metabolómica
- 3 Véase también
- 4 Referencias
Fondo – curvas ROC en descubrimiento de biomarcadores
Biomarcadores se definen comúnmente como medidas características que pueden ser utilizadas como indicadores de algún estado biológico o condición. Pueden ser los genes, proteínas, productos químicos, parámetros fisiológicos, proyección de imagen de datos o mediciones histológicas. Biomarcadores pueden consistir en componentes individuales (es decir, glucosa en sangre) o multiplc (un panel de biomarcadores como acylcarnitines). Biomarcadores médicas se dividen en 5 categorías principales: 1) diagnóstico (utilizado para determinar si usted tiene una enfermedad o condición); 2) pronóstico (utilizado para determinar cómo harás con la enfermedad o dolencia); 3) predictivo (utilizado para determinar si usted puede conseguir la enfermedad); eficacia 4) o control (utilizado para determinar qué tan bien está haciendo un medicamento o tratamiento en la lucha contra la enfermedad) y 5) exposición (utilizada para determinar si ha estado expuesto a un medicamento, alimento, toxina u otro tipo de sustancia). Biomarcadores buenas deben exhibir buena sensibilidad (fracción de verdaderos positivos correctamente identificados) y buena sensibilidad (fracción de correctamente identificados verdaderos negativos). Un panel de biomarcadores o biomarcadores perfecto sería 100% sensible (predecir todas las personas en el grupo de enfermo como estar enfermo) y 100% específico (no predecir alguien del grupo sano como enfermos). Sin embargo, puesto que pocas cosas en la vida son perfectas, a menudo hay una relación inversa entre la sensibilidad y especificidad. En estudios de biomarcadores médica se está volviendo cada vez más común para informar esta compensación en sensibilidad y especificidad utilizando un Característica de funcionamiento de receptor Curva (ROC).[2] Curvas ROC parcela la sensibilidad de un biomarcador en el eje y, contra la tasa de falso descubrimiento (1-especificidad) en el eje x. En la figura 1 se muestra una imagen de diferentes curvas ROC. Curvas ROC proporcionan un método visual simple para uno determinar el límite límite o el umbral de la separación de un biomarcador o una combinación de biomarcadores para la óptima combinación de sensibilidad y especificidad. Las AUC (área bajo la curva) de la curva ROC refleja la precisión y el rendimiento de separación de los biomarcadores (o biomarcadores),[3] y puede ser fácilmente usado para comparar modelos o combinaciones de diferentes biomarcadores.[4] Como una regla general, al menos los biomarcadores que uno utiliza para maximizar la AUC de la curva ROC, mejor.
Metabolómica
Análisis y generación de la curva ROC de ROCCET está específicamente diseñada para Metabolómica conjuntos de datos. Metabolómica conjuntos de datos producidos por las técnicas de química analítica de alto rendimiento típicamente consisten en grandes matrices que contiene múltiples valores de muestras múltiples. La comparación entre grupos o subconjuntos de muestras dentro de los datos generalmente involucra procedimientos estadísticos empleando análisis univariante y multivariante análisis tales como Partial Least Squares - Análisis discriminante (PLS-DA) [5] o los procedimientos de clasificación como máquina de Vector de apoyo (SVM) de aprendizaje de máquina.[6] Como resultado, ROCCET ofrece dos tipos de módulos analíticos – un módulo univariante y un módulo multivariante. En el univariante se evaluaron variables solo módulo (por un t-test) y clasificado por su rendimiento de separación (es decir, la AUC de la ROC), incluyendo intervalos de confianza (CI) y un umbral óptimo computado. En el módulo multivariante se puede elegir entre tres diferentes técnicas – (SVMmáquinas de soporte vectorial), (PLS-DAmínimos cuadrados parciales Análisis discriminante) y Bosques al azar para la clasificación y selección de metabolitos o variables clínicas para un rendimiento óptimo del ROC. El análisis resultante produce el modelo multivariable de alto rendimiento basado en sus características de la curva ROC. Este módulo también presenta las variables significativas (variables clínicas y metabolitos) contribuyendo al modelo (a través de "Explorador de ROC"). ROCCET también es compatible con la opción de seleccionar manualmente las variables específicas para ser incluidos en un modelo determinado biomarcadores. Estas variables pueden ser analizadas usando "Probador de ROC". ROCCET también admite la evaluación rigurosa de la calidad y robustez de biomarcadores recién descubiertos o paneles de biomarcadores utilizando pruebas de permutación, sacar pruebas y validación cruzada. ROCCET genera una gran variedad de coloridos, listo para revista gráficos y tablas (ver figuras 1 y 2) y soporta la descarga de todos los archivos generados incluyendo tablas (CSV formato), gráficos)PNG o PDF) y la historia de procesamiento como un archivo de R (que puede ser leída como un archivo de texto simple). Se ofrece un tutorial para el uso de ROCCET en la siguiente referencia.[1] Conjuntos de datos de entrenamiento están disponibles en la web ROCCET para experimentar con la herramienta.
Véase también
- Característica de funcionamiento de receptor
- Metabolómica
- Biomarcadores (medicina)
- Sensibilidad y especificidad
- Biología
- Microbiología
- Señal
- Univariado
- multivariante
- Biomarcadores
Referencias
- ^ a b c Xia, J; Broadhurst DI; Wilson M; Wishart DS (abril de 2013). "Descubrimiento de biomarcadores traslacionales en metabolómica clínica: un tutorial de introducción". Metabolómica 9 (2): 280 – 99. Doi:10.1007/s11306-012-0482-9. PMC3608878. PMID23543913.
- ^ Soreide, K. "receptor-funcionamiento análisis de curva característica en la investigación de biomarcadores diagnóstico, pronóstico y predictivo". J Clin Pathol. 62 (1): 1 – 5. Doi:10.1136/JCP.2008.061010. PMID18818262.
- ^ Kumar, R; Indrayan (abril de 2011). "Receptor curva característica (ROC) de funcionamiento para los investigadores médicos". Indian Pediatr. 48 (4): 277-87. Doi:10.1007/s13312-011-0055-4. PMID21532099.
- ^ Hanley, JA; McNeil BJ (Sep 1983). "Un método de comparación de las áreas bajo las curvas características operativas receptor derivados de los mismos casos. Radiología. ". Radiología 148 (3): 839 – 43. Doi:10.1148/Radiology.148.3.6878708. PMID6878708.
- ^ Barker, M; Rayens W (Mar de 2003). "Partial least squares de discriminación". J Chemometr. 17 (3): 166-73. Doi:10.1002/CEM.785.
- ^ Mahadevan, S; Shah SL; Sinó TJ; Slupsky CM (octubre de 2008). "Análisis de datos metabolómicos utilizando máquinas de vectores soporte". Anal Chem. 80 (19): 7562 – 70. Doi:10.1021/ac800954c. PMID18767870.