Protocol for using Ciclops to build models trained on cross-platform transcriptome data for clinical outcome prediction.
Protocol for using Ciclops to build models trained on cross-platform transcriptome data for clinical outcome prediction.
复制标题
DOI：
10.1016/j.xpro.2022.101583
复制
发表时间：
2022-09-16
期刊：
影响因子：
--
通讯作者：
Guan, Yuanfang
中科院分区：
文献类型：
--
作者：
Chou, Elysia;Zhang, Hanrui;Guan, Yuanfang
基于跨平台数据设计强大的、可推广的模型来预测临床结果仍然具有挑战性。建立可解释的模型很重要，因为模型的表现可能会根据样本的条件而有所不同。在这里，我们描述了 Ciclops（临床结果预测的跨平台培训）的使用，这是一种免费软件，可以构建可解释的模型来提供跨平台数据集来预测临床结果。该协议还利用 SHAP，这是一种训练后分析，可以评估所研究的临床结果的潜在生物标志物。有关该协议的使用和执行的完整详细信息，请参阅。使用跨平台转录组数据构建强大的临床结果预测模型 适用于测量不同临床结果的不同研究的数据集 执行插补和跨平台分位数归一化的关键预处理步骤 使用 SHAP 分析 LightGBM、XGBoost 和随机森林模型中的特征重要性 出版商注释：进行任何实验方案都需要遵守当地实验室安全和道德机构指南。基于跨平台数据设计强大的、可推广的模型来预测临床结果仍然具有挑战性。建立可解释的模型很重要，因为模型的表现可能会根据样本的条件而有所不同。在这里，我们描述了 Ciclops（临床结果预测的跨平台培训）的使用，这是一种免费软件，可以构建可解释的模型来提供跨平台数据集来预测临床结果。该协议还利用 SHAP，这是一种训练后分析，可以评估所研究的临床结果的潜在生物标志物。
Designing robust, generalizable models based on cross-platform data to predict clinical outcomes remains challenging. Building explainable models is important because models may perform differently depending on the conditions of the samples. Here, we describe the use of Ciclops (cross-platform training in clinical outcome predictions), freely available software that can build explainable models to deliver across cross-platform datasets for predicting clinical outcomes. This protocol also utilizes SHAP, a post-training analysis allowing for assessing potential biomarkers of the clinical outcome under study. For complete details on the use and execution of this protocol, please refer to. Build robust clinical outcome prediction models using cross-platform transcriptome data Applicable to datasets from different studies measuring different clinical outcomes Perform key preprocessing steps of imputation and cross-platform quantile normalization Analyze feature importance in LightGBM, XGBoost, and Random Forest models with SHAP Publisher’s note: Undertaking any experimental protocol requires adherence to local institutional guidelines for laboratory safety and ethics. Designing robust, generalizable models based on cross-platform data to predict clinical outcomes remains challenging. Building explainable models is important because models may perform differently depending on the conditions of the samples. Here, we describe the use of Ciclops (cross-platform training in clinical outcome predictions), freely available software that can build explainable models to deliver across cross-platform datasets for predicting clinical outcomes. This protocol also utilizes SHAP, a post-training analysis allowing for assessing potential biomarkers of the clinical outcome under study.
登录
查看更多内容
影响因子：
16.6
作者：
Mok S;Stokes BH;Gnädig NF;Ross LS;Yeo T;Amaratunga C;Allman E;Solyakov L;Bottrill AR;Tripathi J;Fairhurst RM;Llinás M;Bozdech Z;Tobin AB;Fidock DA
通讯作者：
Fidock DA
使用不同微阵列平台生成的预测特征基因和分类器的一致性
DOI：
10.1038/tpj.2010.34
发表时间：
2010-08
期刊：
The pharmacogenomics journal
影响因子：
--
作者：
Fan X;Lobenhofer EK;Chen M;Shi W;Huang J;Luo J;Zhang J;Walker SJ;Chu TM;Li L;Wolfinger R;Bao W;Paules RS;Bushel PR;Li J;Shi T;Nikolskaya T;Nikolsky Y;Hong H;Deng Y;Cheng Y;Fang H;Shi L;Tong W
通讯作者：
Tong W
影响因子：
64.8
作者：
Harris CR;Millman KJ;van der Walt SJ;Gommers R;Virtanen P;Cournapeau D;Wieser E;Taylor J;Berg S;Smith NJ;Kern R;Picus M;Hoyer S;van Kerkwijk MH;Brett M;Haldane A;Del Río JF;Wiebe M;Peterson P;Gérard-Marchant P;Sheppard K;Reddy T;Weckesser W;Abbasi H;Gohlke C;Oliphant TE
通讯作者：
Oliphant TE
影响因子：
5.8
作者：
Zhang H;Guo J;Li H;Guan Y
通讯作者：
Guan Y
影响因子：
46.9
作者：
Guo, Lei;Lobenhofer, Edward K.;Shi, Leming
通讯作者：
Shi, Leming