NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yüksek boyutlu biyolojik veriler, biyobelirteçlerin tanımlanması için eşi görülmemiş veri kaynakları sağlarken, bunların en iyi nasıl analiz edileceği konusunda fikir birliği hala yok. Yakın zamanda geliştirilen Gauss aynası (GM) ve Model-X (MX) nakavt temelli yöntemler, yeni biyobelirteçlerin tespiti için cazip hale getiren çok ilgili model varsayımlarına sahiptir. Bununla birlikte, pratik kullanımları için herhangi bir kılavuz yoktur. Bu araştırmada, açıklayıcı değişkenlerin dağılımının, ilişkililiklerinin ve sinyal-gürültü oranının etkilerinin değerlendirildiği MX tabanlı ve GM yöntemlerinin performansını sistematik olarak karşılaştırdık. İkinci derece yaklaşıklar (MX-SO) kullanılarak oluşturulan nakavtlı MX, diğer MX tabanlı yöntemlere kıyasla en iyi performansa sahiptir. MX-SO ve GM, simülasyonların çoğunda benzer güç ve hesaplama hızı seviyelerine sahiptir, ancak GM yanlış keşif oranının (FDR) kontrolünde daha sağlamdır. Özellikle, MX-SO FDR'yi yalnızca açıklayıcı değişkenler arasında zayıf korelasyonlar olduğunda ve örneklem boyutu en azından ılımlı olduğunda kontrol edebilir. Aksine, açıklayıcı değişkenler yüksek korelasyon göstermediği sürece GM istenen FDR'ye sahip olabilir. Alzheimer hastalığına bağlı PET görüntüleme özelliği ve Parkinson hastalığına bağlı beyin omurilik sıvısının T-tau'su ile ilişkili biyobelirteçleri tespit etmek için GM ve MX tabanlı yöntemler kullandık. MX tabanlı ve GM yöntemlerinin her ikisinin de büyük biyolojik verilerin analizi için güçlü olduğunu bulduk. MX tabanlı yöntemlerden seçilen genler, GM yöntemindekilere kıyasla daha benzer olsa da, hem MX tabanlı hem de GM yöntemleri, her hastalık için iyi bilinen hastalıkla ilişkili genleri tanımlayabilir. MX tabanlı yöntemler GM yönteminden biraz daha yüksek bir güce sahip olsa da, özellikle küçük örnek boyutları, bilinmeyen dağılımları ve yüksek korelasyonları olan veriler için daha az sağlamdır.
Özgün kaynak özetini okuyun
While the high-dimensional biological data have provided unprecedented data resources for the identification of biomarkers, consensus is still lacking on how to best analyze them. The recently developed Gaussian mirror (GM) and Model-X (MX) knockoff-based methods have much related model assumptions, which makes them appealing for the detection of new biomarkers. However, there are no guidelines for their practical use. In this research, we systematically compared the performance of MX-based and GM methods, where the impacts of the distribution of explanatory variables, their relatedness and the signal-to-noise ratio were evaluated. MX with knockoff generated using the second-order approximates (MX-SO) has the best performance as compared to other MX-based methods. MX-SO and GM have similar levels of power and computational speed under most of the simulations, but GM is more robust in the control of false discovery rate (FDR). In particular, MX-SO can only control the FDR well when there are weak correlations among explanatory variables and the sample size is at least moderate. On the contrary, GM can have the desired FDR as long as explanatory variables are not highly correlated. We further used GM and MX-based methods to detect biomarkers that are associated with the Alzheimer's disease-related PET-imaging trait and the Parkinson's disease-related T-tau of cerebrospinal fluid. We found that MX-based and GM methods are both powerful for the analysis of big biological data. Although genes selected from MX-based methods are more similar as compared to those from the GM method, both MX-based and GM methods can identify the well-known disease-associated genes for each disease. While MX-based methods can have a slightly higher power than that of the GM method, it is less robust, especially for data with small sample sizes, unknown distributions, and high correlations.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.