Modtagerens driftskarakteristiske kurve Explorer og tester - Receiver Operating Characteristic Curve Explorer and Tester

Modtagerens driftskarakteristiske kurve Explorer og tester ( ROCCET ) er en open-access webserver til udførelse af biomarkøranalyse ved hjælp af ROC ( modtager operativ karakteristik ) kurveanalyser på metabolomatiske datasæt. ROCCET er designet specifikt til udførelse og vurdering af en standard binær klassificeringstest (sygdom vs. kontrol). ROCCET accepterer metabolitdatatabeller, med eller uden kliniske / observationsvariabler, som input og udfører omfattende biomarkøranalyse og biomarkøridentifikation ved hjælp af disse inputdata. Det fungerer gennem et menubaseret navigationssystem, der giver brugerne mulighed for at identificere eller vurdere de kliniske variabler og / eller metabolitter, der indeholder den maksimale diagnostiske eller klasseforudsigende information. ROCCET understøtter både manuel og semiautomatiseret valg af funktioner og er i stand til automatisk at generere en række matematiske modeller, der maksimerer følsomheden og specificiteten af ​​biomarkøren (e), samtidig med at antallet af biomarkører, der bruges i biomarkørmodellen, minimeres. ROCCET understøtter også en streng vurdering af kvaliteten og robustheden af ​​nyopdagede biomarkører ved hjælp af permutationstest, hold-out-test og krydsvalidering.

Baggrund - ROC-kurver i opdagelse af biomarkører

Biomarkører defineres almindeligvis som målte egenskaber, der kan bruges som indikatorer for en biologisk tilstand eller tilstand. Det kan være gener, kemikalier, proteiner, fysiologiske parametre, billeddata eller histologiske målinger. Biomarkører kan bestå af enkelte komponenter (dvs. blodglukose) eller multiplc-komponenter (et biomarkørpanel såsom acylcarnitiner). Medicinske biomarkører falder i 5 hovedkategorier: 1) diagnostisk (bruges til at identificere, om du har en sygdom eller tilstand); 2) prognostisk (brugt til at bestemme, hvor godt du vil gøre det med sygdommen eller tilstanden); 3) forudsigende (bruges til at bestemme, om du muligvis får sygdommen); 4) effektivitet eller overvågning (brugt til at bestemme, hvor godt et lægemiddel eller behandling klarer sig i bekæmpelsen af ​​sygdommen) og 5) eksponering (brugt til at bestemme, om du er blevet udsat for et lægemiddel, mad, toksin eller anden form for stof). Gode ​​biomarkører skal udvise god følsomhed (fraktionen af ​​korrekt identificerede sande positive) og god specificitet (fraktionen af ​​korrekt identificerede ægte negativer). En perfekt biomarkør eller biomarkørpanel ville være 100% følsom (forudsig alle mennesker i den syge gruppe som værende syge) og 100% specifikke (ikke at forudsige nogen fra den sunde gruppe som værende syge). Da der kun er få ting i livet, der er perfekte, er der ofte en afvejning mellem følsomhed og specificitet. I medicinske biomarkør undersøgelser bliver det mere og mere almindeligt at rapportere denne afvejning i sensitivitet og specificitet ved hjælp af en Receiver Operating Karakteristisk (ROC) kurve. ROC-kurver tegner følsomheden af ​​en biomarkør på y-aksen mod den falske opdagelseshastighed (1- specificitet) på x-aksen. Et billede af forskellige ROC-kurver er vist i figur 1. ROC-kurver tilvejebringer en enkel visuel metode til en til at bestemme grænsegrænsen (eller adskillelsesgrænsen) for en biomarkør eller en kombination af biomarkører for den optimale kombination af følsomhed og specificitet. AUC (område under kurven) for ROC-kurven afspejler den samlede nøjagtighed og separationsydelsen for biomarkøren (eller biomarkørerne) og kan let bruges til at sammenligne forskellige biomarkørkombinationer eller -modeller. Som tommelfingerregel, jo færre biomarkører, som man bruger til at maksimere AUC for ROC-kurven, jo bedre.

metabolomics

ROCCETs ROC-kurvegenerering og -analyse er specifikt skræddersyet til metabolomics datasæt. Metabolomiske datasæt produceret ved analytisk kemisk teknik med høj kapacitet består typisk af store matrixer, der indeholder flere værdier for flere prøver. Sammenligningen mellem grupper eller undergrupper af prøver inden for dataene involverer normalt statistiske procedurer, der anvender univariat analyse og multivariat analyse, såsom Partial Least Squares - Discriminant Analyse (PLS-DA) eller maskinindlæringsklassificeringsprocedurer, såsom Support Vector Machine (SVM). Som et resultat tilbyder ROCCET to forskellige typer analytiske moduler - et univariat modul og et multivariat modul. I det univariate modul evalueres enkeltvariabler (ved en t-test ) og rangeres for deres separationspræstation (dvs. AUC for ROC), inklusive konfidensintervaller (CI) og en beregnet optimal tærskel. I det multivariate modul kan man vælge mellem tre forskellige teknikker - SVM ( supportvektormaskine ), PLS-DA ( delvis mindstekvadrater diskriminerende analyse ) og Tilfældige skove til klassificering og valg af metabolitter eller kliniske variabler for en optimal ROC-ydeevne. Den resulterende analyse producerer den / de mest præcise multivariabele model (er) baseret på deres ROC-kurveegenskaber. Dette modul præsenterer også de signifikante variabler (kliniske variabler og / eller metabolitter), der bidrager til modellen (via "ROC explorer"). ROCCET understøtter også en mulighed for manuelt at vælge specifikke variabler, der skal inkluderes i en given biomarkørmodel. Disse variabler kan analyseres ved hjælp af "ROC-tester". ROCCET understøtter også en streng vurdering af kvaliteten og robustheden af ​​nyopdagede biomarkører eller biomarkørpaneler ved hjælp af permutationstest, hold-out-test og krydsvalidering. ROCCET genererer en række farverige, tidsskriftsklare grafer og tabeller (se figur 1 og 2) og understøtter download af alle genererede filer inklusive tabeller ( CSV- format), grafer ( PNG eller PDF ) og behandlingshistorikken som en R-fil ( som kan læses som en enkel tekstfil). En vejledning til brug af ROCCET tilbydes i følgende reference. Træningsdatasæt er tilgængelige på ROCCETs websted til at eksperimentere med værktøjet.

Se også

• Funktion for modtagerens drift
• metabolomics
• Biomarkør (medicin)
• Følsomhed og specificitet
• Biologi
• Mikrobiologi
• univariate
• Multivariat
• biomarkør

Referencer