Mime1 предоставляет удобное решение для построения ансамблевых моделей на основе машинного обучения с использованием сложных наборов данных для идентификации ключевых генов, связанных с прогнозом.

Ранее вводился отдельноLasso ,randomForestSRC,Enet（Elastic Net）,CoxBoost и SuperPC При построении параметров метода Моделиз выживания в этой статье рассказывается, как использовать один стиль пакета Mime1 для завершения машинного описания в литературе. обучениекомбинацияиз анализа и вывода уровня документа из диаграммы.

Кроме того, дополнительное введениеодин Вниз(1) На что следует обратить внимание при замене собственных данных （2）какИзвлечение результатов оценки риска в соответствии с указанной модельюПровести последующий анализ и （3）какСравните модели для целевых типов рака（Глиому можно использоватьданныевстроенныйиз）（Лично я считаю, что это важнее）

1. Загрузите пакет R, данные

Этот пакет объединяет 10 типов пакетов машинного обучения, поэтому установка будет немного сложной. Наберитесь терпения и загрузите все, что вам нужно.

# options("repos"= c(CRAN="https://mirrors.tuna.tsinghua.edu.cn/CRAN/"))
# options(BioC_mirror="http://mirrors.tuna.tsinghua.edu.cn/bioconductor/")
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")

depens<-c('GSEABase', 'GSVA', 'cancerclass', 'mixOmics', 'sparrow', 'sva' , 'ComplexHeatmap' )
for(i in 1:length(depens)){
  depen<-depens[i]
  if (!requireNamespace(depen, quietly = TRUE))  BiocManager::install(depen,update = FALSE)
}

if (!requireNamespace("CoxBoost", quietly = TRUE))
  devtools::install_github("binderh/CoxBoost")

if (!requireNamespace("fastAdaboost", quietly = TRUE))
  devtools::install_github("souravc83/fastAdaboost")

if (!requireNamespace("Mime", quietly = TRUE))
  devtools::install_github("l-magnificence/Mime")

library(Mime1)

Сначала посмотрите на пример данных

1. Данные генного набора

может бытьдифференциальные гены,Путь к точке доступа (MsigDB),WGCNAилиPPIоказатьсяизhub gene ,илиМаркерный ген определенного подтипа одиночных клетоки т. д. Целевой набор генов, полученный любыми способами

load("./External data/genelist.Rdata")
#> [1] "MYC"    "CTNNB1" "JAG2"   "NOTCH1" "DLL1"   "AXIN2"  "PSEN2"  "FZD1"   "NOTCH4" "LEF1"   "AXIN1"  "NKD1"   "WNT5B" 
#>[14] "CUL1"   "JAG1"   "MAML1"  "KAT2A"  "GNAI1"  "WNT6"   "PTCH1"  "NCOR2"  "DKK4"   "HDAC2"  "DKK1"   "TCF7"   "WNT1"  
#>[27] "NUMB"   "ADAM17" "DVL2"   "PPARD"  "NCSTN"  "HDAC5"  "CCND2"  "FRAT1"  "CSNK1E" "RBPJ"   "FZD8"   "TP53"   "SKP2"  
#>[40] "HEY2"   "HEY1"   "HDAC11"

2. Данные о выживаемости и информация об экспрессии генов.

load("./External data/Example.cohort.Rdata") # Данные о выживании и информация об экспрессии генов
list_train_vali_Data[["Dataset1"]][1:5,1:5]
#                 ID    OS.time OS   MT-CO1   MT-CO3
#60  TCGA.DH.A66B.01 1281.65322  0 13.77340 13.67931
#234 TCGA.HT.7607.01   96.19915  1 14.96535 14.31857
#42  TCGA.DB.A64Q.01  182.37755  0 13.90659 13.65321
#126 TCGA.DU.8167.01  471.97707  0 14.90695 14.59776
#237 TCGA.HT.7610.01 1709.53901  0 15.22784 14.62756

Среди них list_train_vali_Data — это список, содержащий два набора данных. Первый столбец каждого набора данных — это идентификатор, столбцы 2–3 — это информация о выживании (OS.time, OS), а следующий — экспрессия генов.

2. Построение прогностической модели.

1. Создайте комбинацию моделей машинного обучения из 101.

Этот пакет значительно снижает стоимость обучения и может быть создан непосредственно с помощью функции ML.Dev.Prog.Sig.

res <- ML.Dev.Prog.Sig(train_data = list_train_vali_Data$Dataset1,
                     list_train_vali_Data = list_train_vali_Data,
                     unicox.filter.for.candi = T,
                     unicox_p_cutoff = 0.05,
                     candidate_genes = genelist,
                     mode = 'all',nodesize =5,seed = 5201314 )

• ML.Dev.Prog.Sig() Необязательный all, single и doubleтри видамодель. all для всех 10 алгоритмов а также комбинация . single для использует изодин среди 10 алгоритмов. double для двух алгоритмов изкомбинации обычно используется один all модель.
• По умолчанию unicox.filter.for.candi для T , Однофакторный анализ Кокса сначала будет выполнен на обучающем наборе, unicox_p_cutoff. Значительные гены будут использованы в Постройке. прогностическую модель.

еслиПри использовании собственных данных,Необходимо обратить внимание на:

（1）заменить себяданные Уведомлениепервые три столбцаиз Требовать,и несколькоданные Собрать сформа спискахранилище。

(2) Лучше всего подтвердить это перед анализом. Во всех ли наборах данных В списке набора генов есть все гены. ,уменьшатьСообщить об ошибке。

(3) Если количество семян будет определено, это окажет небольшое влияние.

Проверив из любопытства, я обнаружил, что в образце данных Dataset2 отсутствуют несколько генов в наборе генов, но почему не сообщается об ошибке?

data2 <- data2 %>% 
   dplyr::select(ID , OS.time , OS, genelist )
#Error in `dplyr::select()`:
#! Can't select columns that don't exist.
#✖ Columns `JAG1`, `DKK4`, and `WNT1` don't exist.
#Run `rlang::last_trace()` to see where the error occurred.

Проверьте функцию через View(ML.Dev.Prog.Sig) и установите unicox.filter.for.candi = T. Сначала будет выполнен однофакторный анализ Cox. В качестве генов-кандидатов для машины будут использоваться только гены со значимыми отдельными факторами. обучение 101 комбинации моделей. После последующего анализа гены, значимые для одного гена в красном поле на рисунке ниже, не содержат генов «JAG1», «DKK4» и WNT1, которые отсутствуют в наборе данных 2, поэтому ошибка не возникает. сообщил.

Однако если вы не уверены, какие гены важны для однофакторного прогноза, вам следует сначала убедиться, что обучающий набор и набор проверки содержат список генов и все гены при анализе собственных результатов.

2. Отображение C-индекса

Пример данных list_train_vali_Data представляет собой список из двух наборов данных. На изображении результатов есть две очереди. Последние два столбца — это средние значения Cindex. Это основное изображение в литературе по комбинациям моделей машинного обучения.

cindex_dis_all(res,
               validate_set = names(list_train_vali_Data)[-1],
               order = names(list_train_vali_Data),
               width = 0.35
)

3. Просмотрите результаты указанной модели.

Предположим, мы выбрали первую модель (StepCox[forward] + plsRcox), мы можем просмотреть производительность cindex каждого набора данных в рамках этой модели отдельно.

cindex_dis_select(res,
                  model="StepCox[forward] + plsRcox",
                  order= names(list_train_vali_Data))

Вы также можете просмотреть кривые КМ каждого набора данных в рамках этой модели.

survplot <- vector("list",2) 
for (i in c(1:2)) {
  print(survplot[[i]]<-rs_sur(res, model_name = "StepCox[forward] + plsRcox",
                              dataset = names(list_train_vali_Data)[i],
                              #color=c("blue","green"),
                              median.line = "hv",
                              cutoff = 0.5,
                              conf.int = T,
                              xlab="Day",pval.coord=c(1000,0.9))
  )
}
aplot::plot_list(gglist=survplot,ncol=2)

Извлечение результатов модели RS

Очень важным моментом здесь является извлечение результатов РС по указанной модели, а затем вы можете перерисовать КМ и другие анализы, такие как независимый прогностический анализ, лесной график, номограмму и т. д. в соответствии с вашими потребностями.

Все результаты представлены в формате res. Вы можете узнать соответствующую информацию по str(res) и извлечь ее.

head(res$riskscore$`StepCox[forward] + plsRcox`[[1]])
head(res$riskscore$`StepCox[forward] + plsRcox`[[2]])

4. Результаты AUC

Рассчитайте значения AUC за 1, 3 и 5 лет для каждой модели и визуализируйте результаты AUC за 1 год для всех моделей.

all.auc.1y <- cal_AUC_ml_res(res.by.ML.Dev.Prog.Sig = res,train_data = list_train_vali_Data[["Dataset1"]],
                             inputmatrix.list = list_train_vali_Data,mode = 'all',AUC_time = 1,
                             auc_cal_method="KM")
all.auc.3y <- cal_AUC_ml_res(res.by.ML.Dev.Prog.Sig = res,train_data = list_train_vali_Data[["Dataset1"]],
                             inputmatrix.list = list_train_vali_Data,mode = 'all',AUC_time = 3,
                             auc_cal_method="KM")
all.auc.5y <- cal_AUC_ml_res(res.by.ML.Dev.Prog.Sig = res,train_data = list_train_vali_Data[["Dataset1"]],
                             inputmatrix.list = list_train_vali_Data,mode = 'all',AUC_time = 5,
                             auc_cal_method="KM")

auc_dis_all(all.auc.1y,
            dataset = names(list_train_vali_Data),
            validate_set=names(list_train_vali_Data)[-1],
            order= names(list_train_vali_Data),
            width = 0.35,
            year=1)

Вы также можете нарисовать кривую AUC под выбранной моделью.

roc_vis(all.auc.1y,
        model_name = "StepCox[forward] + plsRcox",
        dataset = names(list_train_vali_Data),
        order= names(list_train_vali_Data),
        anno_position=c(0.65,0.55),
        year=1)

auc_dis_select(list(all.auc.1y,all.auc.3y,all.auc.5y),
               model_name="StepCox[forward] + plsRcox",
               dataset = names(list_train_vali_Data),
               order= names(list_train_vali_Data),
               year=c(1,3,5))

5. Сравнение моделей

Пакет также предоставляет прогностические функции, о которых ранее сообщалось в литературе, но, конечно, касается только глиом.

Что делать, если у вас другие виды рака?Вы можете увидеть, как это работает, посмотрев на функциюиз Форма ввода,Затем просто сделайте соответствующую замену и можно будет ее проанализировать. (очень важно)

cc.glioma.lgg.gbm <- cal_cindex_pre.prog.sig(use_your_own_collected_sig = F,
                                             type.sig = c('Glioma','LGG','GBM'),
                                             list_input_data = list_train_vali_Data)
cindex_comp(cc.glioma.lgg.gbm,
            res,
            model_name="StepCox[forward] + plsRcox",
            dataset=names(list_train_vali_Data))

Посмотрите на функцию, чтобы найти форму встроенной модели.

type.sig = c('Glioma','LGG','GBM')
pre.prog.sig <- Mime1::pre.prog.sig
    if (all(type.sig %in% names(pre.prog.sig))) {
      if (length(type.sig) == 1) {
        sig.input <- pre.prog.sig[[type.sig[1]]]
      }
      else {
        sig.input <- pre.prog.sig[[type.sig[1]]]
        for (i in 2:length(type.sig)) {
          sig.input <- rbind(sig.input, pre.prog.sig[[type.sig[i]]])
        }
      }
    }
    View(sig.input)

Проверив документ 30810537, мы обнаружили, что гены (тепловая карта), которые в конечном итоге составляют оценку риска, согласуются с генами, встроенными в пакет, и коэффициенты на правом рисунке также согласуются.

Хорошо, теперь мы завершили построение и проверку прогностической модели. Позже нам может понадобиться извлечь модель RS в соответствии с содержанием статьи для независимого прогностического тестирования и некоторого визуального анализа.

Теперь все, что вам нужно сделать, это (1) Подготовить целевые виды рака из TCGAданные и GEOданные — используемые для построения прогноза 101Модель , (2) Список генов целевой прогностической модели рака а также Соответствующий коэффициент -- для сравнения модели. (3) Напишите статьи и опубликуйте их.。

Ссылки:https://github.com/l-magnificence/Mime?tab=readme-ov-file