快速导航
首页
资讯类
资讯
专题
会议
锐客
标准
方法
行业类
快检
食品
环境
材料
化工
生物
制药
临床
仪器类
仪器
Lab
新品
导购
电商
互动类
直播
x
价格:
面议
基于机器学习算法的多组学疾病诊断/肿瘤预后预测模型
产品属性
品牌
研载生物
产地
全国
型号
基于机器学习算法的多组学疾病诊断/肿瘤预后预测模型
关注度
0
信息完整度
关闭
产地:全国; 品牌:研载生物
研载生物科技(上海)有限公司
其他会员
进入商铺
全部产品
推荐产品
转录组测序
miRNA测序
基因组重测序
外显子组测序
lncRNA测序
肿瘤SNPs统计分析
产品描述
基于机器学习
算法
的
多组学
疾病诊断
/
肿瘤预后预测模型
1
分析目的
构建合适的机器学习模型,对样本是否为疾病样本进行预测,或预测肿瘤病人的预后信息(
1/3/5
年生存率)
2
数据来源
基因表达谱、拷贝数变异数据、甲基化数据、转录调控数据等多组学数据
3
分析方法
将多个组学数据的公共数据集随机划分为训练集和测试集,在训练集上,我们综合考虑预后相关的多组学基因特征,训练基于随机森林、逻辑回归等算法的疾病诊断模型或预后风险评估模型。
对于疾病诊断模型,我们对测试集中的每个样本做概率预测,与真实样本数据对比,用
ROC
曲线和
AUC
值做模型的评估。对于预后风险评估模型,我们根据训练好的风险模型计算测试集中的每个样本的
Risk score
,并以中位数为标准划分高风险组和低风险组,做
K-M
生存分析,检查是否有统计上的差异性。此外,我们用这一
Risk score
为标准预测测试集中病人的
1/3/5
年生存率,用
ROC
曲线和
AUC
值做模型的评估。
4
交付文件
(
1
)训练集与测试集的随机划分结果(
Excel
)
(
2
)随机森林、逻辑回归模型的具体参数
(
3
)测试集每一个样本的风险分值以及高风险
/
低风险分组(
Excel
)
(
4
)模型重要性排序图;模型评估结果:
KM
生存曲线以及
ROC
曲线图
5
分析结果示例图
上一篇:
细胞自噬(Autophagy)
下一篇:
外泌体电镜检测/透射电镜
店铺
收藏
咨询留言
一键拨号