龙空技术网

101种机器学习算法组合筛选最优预后风险模型(Mime包)

贝尔情感 491

前言:

当前各位老铁们对“组合优化问题数学模型”大概比较关注,同学们都需要剖析一些“组合优化问题数学模型”的相关资讯。那么小编也在网络上搜集了一些有关“组合优化问题数学模型””的相关内容,希望看官们能喜欢,大家快快来学习一下吧!

生信碱移

Mime 多种机器学习组合 机器学习算法组合之前咱公众号出了一个,但是仅仅是二分类的,贴子们感兴趣可以点击下面的文字看看: 《 重磅课程代码:15种机器学习算法、共207个参数优化组合机器学习模型,适用各种二分类问题,非肿瘤、肿瘤相关预测诊断模型 》 。 继续说正事,今天冲浪的时候看到一个R包 Mime ,今天刚刚发表在 Computational and Structural Biotechnology Journal [ IF: 4.4 ] 杂志。 专门针对的就是多种机器学习组合的建模+可视化代码。 别的不说,这个R包做的很齐全易用,趁热给各位老铁们分享一下。

▲ DOI: 10.1016/j.csbj.2024.06.035

github 链接如下:

一、安装 R 包 可以通过以下命令安装代码与相关依赖包:

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")
注意: 我的电脑在这里遇到了一个问题。 Mime 包似乎与 devtools 的依赖包 mime 名称一致,导致安装失败,可能需要改一下R包名称(大家遇到了再说吧)。 二、简单的示例

加载示例数据 (这个治疗反应数据在本文用不上,在官网是用作二分类的的示例,感兴趣的铁子可以自行看看)。:

# 01 加载示例数据
load("./External data/Example.cohort.Rdata"# 生存数据与基因表达信息
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

load("./External data/Example.ici.Rdata"# 治疗反应数据
list_train_vali_Data[["training"]][1:5,1:5]
#                                                                         ID Var      FTH1   EEF1A1      ACTB
#Mariathasan_UC_pre_aPDL1_combo_tpm.1                        SAMf2ce197162ce   N 10.114846 4.817746 11.230180
#Gide_SKCM_pre_combo.66                                           ERR2208915   Y  2.044180 5.038854  3.977902
#Bruan_RCC_pre_aPD1_combo_tpm.3         G138701_RCCBMS-00141-T_v1_RNA_OnPrem   Y  5.406008 5.341635  5.366668
#Mariathasan_UC_pre_aPDL1_combo_tpm.203                      SAMe41b1e773582   N  9.215794 4.707360 11.412721
#Mariathasan_UC_pre_aPDL1_combo_tpm.58                       SAM5ffd7e4cd794   N  9.003710 3.908884 10.440559

load("./External data/genelist.Rdata")    # 基因列表
genelist
# [1] "MYC"    "CTNNB1" "JAG2"   "NOTCH1" "DLL1"   "AXIN2"  "PSEN2"  "FZD1"   "NOTCH4" "LEF1"   "AXIN1"  "NKD1"   "WNT5B"  "CUL1"  
#[15] "JAG1"   "MAML1"  "KAT2A"  "GNAI1"  "WNT6"   "PTCH1"  "NCOR2"  "DKK4"   "HDAC2"  "DKK1"   "TCF7"   "WNT1"   "NUMB"   "ADAM17"
#[29] "DVL2"   "PPARD"  "NCSTN"  "HDAC5"  "CCND2"  "FRAT1"  "CSNK1E" "RBPJ"   "FZD8"   "TP53"   "SKP2"   "HEY2"   "HEY1"   "HDAC11"
我们要使用的示例数据是 list_train_vali_Data genelist ,介绍如下: list_train_vali_Data :行是样本,第一列是样本ID,第二列是生存时间(单位year),第三列是生存状态,随后的列都是相应基因的表达量; genelist :是用于建模的基因列表。

构建预后模型

load("./External data/Example.cohort.Rdata")
load("./External data/genelist.Rdata")
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 = 123)

cindex 评估预后模型

cindex_dis_all(res,
               validate_set = "Dataset2"# 指定测试集的名称
               order =names(list_train_vali_Data),
               width = 0.35)
cindex_dis_select(res,
                  model="StepCox[forward] + plsRcox"# 指定选择模型
                  order= names(list_train_vali_Data))

ROC下面积AUC 评估预后模型 (下面展示的是1年的 AUC,通过 AUC_time 参数指定):

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,   # 一年生存
                             auc_cal_method="KM")
auc_dis_all(all.auc.1y,
            dataset = names(list_train_vali_Data),
            validate_set="Dataset1",
            order= names(list_train_vali_Data),
            width = 0.35,
            year=1)

指定模型的性能评估 ,通过 model_name 参数指定模型。下面给大家介绍几个评估方式。 首先,可以看看指定模型的ROC下面积AUC (下面展示的是1年的 AUC,通过 AUC_time 参数指定):

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,   # 一年生存
                             auc_cal_method="KM")
auc_dis_all(all.auc.1y,
            dataset = names(list_train_vali_Data),
            validate_set="Dataset1",
            order= names(list_train_vali_Data),
            width = 0.35,
            year=1)
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)
当然,也可以同时绘制多个年份的:
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_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))
其次,可以看看指定模型的生存曲线 :
rs_sur(res, 
       model_name = "StepCox[forward] + plsRcox",  # 选择你的模型
       dataset = "Dataset1",
       #color=c("blue","green"),
       median.line = "hv",
       cutoff = 0.5,
       conf.int = T,
       xlab="Day",pval.coord=c(1000,0.9))

最后,可以看看指定模型的森林图 :

unicox.rs.res <- cal_unicox_ml_res(res.by.ML.Dev.Prog.Sig = res,
                                   optimal.model = "StepCox[forward] + plsRcox",
                                   type ='categorical')
metamodel <- cal_unicox_meta_ml_res(input = unicox.rs.res)
meta_unicox_vis(metamodel,
                dataset = names(list_train_vali_Data))

与其他已发表文章的模型比较 (作者仅仅提供了胶质瘤发表文章的模型):

首先是Cindex的比较 :

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))

然后是 AUC的比较 :

auc.glioma.lgg.gbm.1 <- cal_auc_pre.prog.sig(use_your_own_collected_sig = F,
                                             type.sig = c('Glioma','LGG','GBM'),
                                             list_input_data = list_train_vali_Data,
                                             AUC_time = 1,
                                             auc_cal_method = 'KM')
auc_comp(auc.glioma.lgg.gbm.1,
         all.auc.1y,
         model_name="StepCox[forward] + plsRcox",
         dataset=names(list_train_vali_Data))

这个r包功能还有其他功能,包括其他潜在的参数大家都可以自行看看文档。


标签: #组合优化问题数学模型