Biomarker selection and a prospective metabolite-based machine learning diagnostic for lyme disease.
Biomarker selection and a prospective metabolite-based machine learning diagnostic for lyme disease.
复制标题
莱姆病生物标记物选择和基于代谢物的前瞻性机器学习诊断。
DOI：
10.1038/s41598-022-05451-0
复制
发表时间：
2022-01-27
影响因子：
4.6
通讯作者：
Kirby MJ
中科院分区：
文献类型：
--
作者：
Kehoe ER;Fitzgerald BL;Graham B;Islam MN;Sharma K;Wormser GP;Belisle JT;Kirby MJ
我们为液质联用(LCMS)血清样本的数据预处理、生物标记物选择和分类提供了一条管道，以产生莱姆病的前瞻性诊断试验。我们利用稀疏支持向量机(SSVM)、迭代特征去除(IFR)和k重特征排序等机器学习工具来选择几个生物标志物，并建立莱姆病的判别模型。我们报告了基于隔离的LCMS血清样本集的我们的模型的98.13%的测试平衡成功率(BSR)。所采用的方法是通用的，可以很容易地适用于其他LC MS或代谢组学数据集。
We provide a pipeline for data preprocessing, biomarker selection, and classification of liquid chromatography–mass spectrometry (LCMS) serum samples to generate a prospective diagnostic test for Lyme disease. We utilize tools of machine learning (ML), e.g., sparse support vector machines (SSVM), iterative feature removal (IFR), and k-fold feature ranking to select several biomarkers and build a discriminant model for Lyme disease. We report a 98.13% test balanced success rate (BSR) of our model based on a sequestered test set of LCMS serum samples. The methodology employed is general and can be readily adapted to other LCMS, or metabolomics, data sets.
登录
查看更多内容
DOI：
10.1073/pnas.0502269102
发表时间：
2005-07-05
影响因子：
11.1
作者：
Donoho, DL;Tanner, J
通讯作者：
Tanner, J
影响因子：
3
作者：
Guan W;Zhou M;Hampton CY;Benigno BB;Walker LD;Gray A;McDonald JF;Fernández FM
通讯作者：
Fernández FM
影响因子：
7.3
作者：
Clarke DJB;Rebman AW;Bailey A;Wojciechowicz ML;Jenkins SL;Evangelista JE;Danieletto M;Fan J;Eshoo MW;Mosel MR;Robinson W;Ramadoss N;Bobe J;Soloski MJ;Aucott JN;Ma'ayan A
通讯作者：
Ma'ayan A
DOI：
10.1007/978-1-0716-0239-3_16
发表时间：
2020-01-01
期刊：
COMPUTATIONAL METHODS AND DATA ANALYSIS FOR METABOLOMICS
影响因子：
--
作者：
Ghosh, Tusharkanti;Zhang, Weiming;Kechris, Katerina
通讯作者：
Kechris, Katerina
DOI：
10.1073/pnas.1720833115
发表时间：
2018-03-06
影响因子：
11.1
作者：
Kerstholt, Mariska;Vrijmoeth, Hedwig;Joosten, Leo A. B.
通讯作者：
Joosten, Leo A. B.