Boosting算法对卵巢癌代谢组数据的应用研究

目的应用Boosting算法建立模型,对卵巢癌和非卵巢癌(卵巢囊肿和子宫肌瘤)患者的尿液代谢组数据进行分析,提取出具有生物学意义的代谢组分,为卵巢癌的早期诊断及疾病机理提供线索。方法将决策树与Boosting算法相结合,对患者的临床样品代谢组数据进行分析,并对代谢组分进行逐步筛选,得到鉴别卵巢癌患者的重要代谢组分。结果由Boosting模型得到的排序靠前的10个差异代谢组分,能够将卵巢癌与对照组患者进行较好的判别分类,其ROC曲线下面积达到了0.944。结论 Boosting模型可以有效地应用于卵巢癌代谢组数据,在保证较高的分类正确率的同时可以得到对分类起作用的重要的代谢组分。     

代谢组学技术在电离辐射防护研究中的应用

代谢组学作为系统生物学研究的重要方法,不仅在生命科学研究中发挥重要作用,在辐射防护研究领域的应用也日益广泛。本文从啮齿类动物、灵长类动物模型的代谢组学和代谢组学方法的临床研究等方面,综述代谢组学方法和技术在辐射损伤中的诊断和机制研究,以及在辐射防护药物研究中的价值。     

随机森林回归分析及在代谢调控关系研究中的应用

目的探讨随机森林回归处理非线性、具有交互作用数据的性能,并将其应用于高维代谢组学数据的代谢网络变量筛选。方法通过模拟试验验证随机森林回归在具有交互作用和非线性情况下回归分析的效果,同时应用于卵巢良恶性肿瘤鉴别的代谢组学数据分析。结果模拟实验结果显示:对于具有交互作用及其他非线性关系的模拟数据,随机森林回归模型的效果明显优于多元线性回归模型;卵巢癌代谢组学数据分析显示,使用随机森林回归分析能够获得更为理想的结果。结论随机森林回归作为一种非参数回归技术,在一定的样本含量下(如n100),能够在高维数据中有效地分析具有交互作用和非线性关系的数据。     

代谢组学在毒理学研究中的应用

代谢组学是关于生物内源代谢物整体及其变化规律的科学。代谢组学方法源于毒理学研究,并促进了毒理学的研究进程。代谢组学不仅能为毒性的筛选提供快速和准确的方法,也为毒性作用机制研究提供了动态的研究技术,还为毒性生物标志物研究提供了新的方法。本文简要综述了代谢组学技术及其在毒理学研究中的应用进展。     

营养支持中的物质代谢与营养代谢组学

0 引言 40余年来, 外科营养支持已在临床得到广泛的应用与多方面的研究,成为当代外科治疗中一个不可缺少的部分, 许多病人得以转危为安, 一些疾病的预后由此而得到改善.     

代谢组学在毒理学研究中的应用

代谢组学是定性和定量分析某一生物或细胞所有低分子量代谢产物，从而监测机体或活细胞中化学变化的一门科学，是系统生物学的重要组成部分。本文从代谢组学的研究领域、研究方法，代谢组学在毒理学研究中应用的现状、优势与不足等几个方面进行了综述。     

代谢组学在临床营养研究中的应用

随着后基因组时代的到来，生物医学领域的研究策略发生了巨大改变，新的技术可以分析大量的基因产物，这使得人们有可能全面了解生物体系内的分子调节机制。代谢组学的研究目的是定性和定量分析器官及生物样品中特定状态下所有低分子量代谢产物及外源性复合物对人体所有代谢产物的影响。体液或组织的代谢谱可以作为重要的生理或病理状态的生物标志物。在饮食或营养干预下机体的代谢变化可用代谢组学的技术进行全面分析。这种技术的应用将会对健康提供更个体化的信息。本文主要对代谢组学在临床营养研究中的应用及进展加以综述。     

营养代谢组学面临的问题

代谢组学是通过研究小分子代谢产物而了解机体代谢的改变,目前已广泛应用于药理学和毒理学的研究,然而在营养学领域却刚刚起步.研究的最终目的虽是一样的,但营养代谢组学却面临着许多问题,如小分子物质数据库的建立、许多干扰因素对营养物质代谢产物筛选的影响等.即便如此,由于模式识别技术的发展虽滞后,但研究者们对营养代谢组学的发展仍充满了期待.     

代谢组学研究进展及在营养学领域的应用

近年来,基于色谱、质谱和核磁共振等分析技术的代谢组学在营养学领域发展迅速。本文通过对2014～2019年期间发表的期刊论文、专利的分析,综述了五年来代谢组学的研究进展,包括样品前处理方法、样品分析检测方法、数据处理方法等。另本文还对代谢组学技术在营养学领域应用的新成果进行了全面总结,对相关的研究前沿、发展趋势进行了展望。[营养学报,2020,42(4):408-412]     

“组学”分析策略在营养学研究中的应用

随着转录组学、代谢组学、蛋白质组学技术的日益进步和完善,它们在营养学研究中的应用日趋广泛,在疾病的病因研究、机制研究、诊断方法研究、防治效果评价研究中有很广阔的应用前景,表现出巨大的应用潜力。在营养学研究中科学地应用这些组学平台有助于将营养学研究推向新的发展高度。本文主要对转录组学、蛋白质组学、代谢组学分析策略在营养研究中的应用及进展加以综述。     

XGBoost算法在二分类非平衡高维数据分析中的应用

目的 探讨XGBoost算法在二分类高维非平衡数据中的分类判别效果.方法 通过模拟实验及真实代谢组学数据分析,对XGBoost、随机森林、支持向量机、随机欠采样以及随机梯度提升树共五种方法进行比较.结果 模拟实验显示,XGBoost算法在数据非平衡较明显时,在各种实验条件下均优于或不劣于其他四种算法,在数据类别趋于平衡...     

Boosting qualifies capture-recapture methods for estimating the comprehensiveness of literature searches for systematic reviews

Objective

Capture-recapture methods were proposed to evaluate the comprehensiveness of systematic literature searches. We investigate the statistical feasibility of capture-recapture techniques with model selection for estimating the number of missing references in literature searches using two systematic reviews in gastroenterology and hematology.

Study Design and Setting

First, we compared manually selected Poisson regression models that differ with respect to included interactions. Secondly, we performed selection via componentwise boosting, which provides automatic variable selection. The proposed boosting technique is a regularized, stepwise procedure allowing to distinguish between mandatory and optional variables. Results from all models were compared based on Akaike’s Information Criterion and the Bayesian Information Criterion.

Results

For the first example, the best manually selected model suggested a number of 82 missing articles (95% CI: 52-128), whereas the boosting technique provided 127 (95% CI: 86-186) missing articles. For the second example, 140 (95% CI: 116-168) missing articles were estimated for the manually selected and 188 (95% CI: 159-223) for the automatically selected model.

Conclusion

Capture-recapture analysis requires the selection of an appropriate model. Because of problems of variable selection and overfitting, manual model selection yielded large estimates, varying markedly, with broad confidence intervals. By contrast, boosting was robust against overfitting and automatically created an appropriate model for inference.     

Integrative Analysis of Cancer Prognosis Data With Multiple Subtypes Using Regularized Gradient Descent

In cancer research, high‐throughput profiling studies have been extensively conducted, searching for genes/single nucleotide polymorphisms (SNPs) associated with prognosis. Despite seemingly significant differences, different subtypes of the same cancer (or different types of cancers) may share common susceptibility genes. In this study, we analyze prognosis data on multiple subtypes of the same cancer but note that the proposed approach is directly applicable to the analysis of data on multiple types of cancers. We describe the genetic basis of multiple subtypes using the heterogeneity model that allows overlapping but different sets of susceptibility genes/SNPs for different subtypes. An accelerated failure time (AFT) model is adopted to describe prognosis. We develop a regularized gradient descent approach that conducts gene‐level analysis and identifies genes that contain important SNPs associated with prognosis. The proposed approach belongs to the family of gradient descent approaches, is intuitively reasonable, and has affordable computational cost. Simulation study shows that when prognosis‐associated SNPs are clustered in a small number of genes, the proposed approach outperforms alternatives with significantly more true positives and fewer false positives. We analyze an NHL (non‐Hodgkin lymphoma) prognosis study with SNP measurements and identify genes associated with the three major subtypes of NHL, namely, DLBCL, FL, and CLL/SLL. The proposed approach identifies genes different from using alternative approaches and has the best prediction performance.     

MRI梯度磁场性伪影产生机理及解决措施的分析与研究

通过对MR图像梯度磁场性伪影产生机理的分析，采取相应措施，使各种MR图像梯度磁场性伪影得到不同程度的减少或移位甚至彻底消失，提高了MR图像质量，为临床提供更多诊断信息。     

基因表达数据判别分析的随机森林方法

目的探讨随机森林算法在基因表达数据分类研究中的应用。方法通过实际基因表达数据考核其应用效果，并通过模拟试验进一步验证和研究在存在大量无差异表达基因情况下对分类产生的影响。结果随机森林算法对基因表达数据的分类具有较高的准确性，但随着基因数量的增加其判别效果呈下降的趋势，在差异表达基因之间具有相关性时，下降趋势明显减慢，能够获得较理想的分类效果。结论随机森林算法对基因表达数据的分类研究有较好的判别效果。     

支持向量机在基因表达数据分类中的应用研究

目的探讨支持向量机在基因表达数据分类研究中的应用条件和效果。方法使用支持向量机软件包,通过实际基因表达数据考核其应用效果,并通过模拟试验进一步验证和研究在含有大量无差异表达基因情况下对分类产生的影响。结果对四种疾病的真实基因表达数据的分类取得了良好的效果,模拟试验则显示了支持向量机对分类具有较高的准确性,但随无差异基因数量的增加其分类效果呈明显下降的趋势;在类间分离一定的情况下,差异表达基因数目较多、基因之间具有较高的相关性时,更容易获得好的分类效果。结论支持向量机在解决小样本、非线性及高维问题中表现出许多潜在的优势,可以有效地用于分析基因表达数据的分类问题。     

我国医疗卫生机构资产管理代码标准应用分析

卫生部“分类与代码”标准的贯彻推动了资产信息化管理,提高了医院管理水平。在此基础上条形码（或电子码）编码技术的应用,则使“分类与代码”标准贯彻得到延伸。使资产管理更加准确高效。而制订医疗机构行业条形码（或电子码）编码应用标准是规范该编码技术有效使用的前提。     

对数线性模型在骨折资料分析中的应用

目的应用对数线性模型对骨折资料进行分析.方法收集了天津医院1993～2002年的骨折病历资料,采用对数线性模型对上述资料进行分析.结果骨折患者的年龄,性别和骨折原因间存在着交互作用.结论对数线性模型可以更好的分析多个变量间的交互作用,适用于探索性的研究.     

基因表达数据的随机森林逐步判别分析方法

目的给出一种新的随机森林算法,它能在建模过程中自动对变量进行筛选,建立“最优”判断模型。方法采用变量重要性评分和逐步迭代算法选择有作用的变量;通过实际基因表达数据考核其应用效果,并使用R语言编程做模拟试验验证其有效性。结果三种疾病基因表达数据的判别模型,在包含很少量的基因情况下便获得了理想的分类效果;模拟试验则显示在类间区分度较大的情况下,随机森林逐步判别分析的效果明显,能有效地将有作用的变量保留在模型中,提高模型的判别效果;在类间区分度不够大的情况下分类效果提高不明显。结论随机森林逐步判别分析可以有效地应用于基因表达数据的基因筛选和分类研究,但要特别注意由随机波动对分析结果造成的影响。     

Estimation of Causal Effects using Propensity Score Weighting: An Application to Data on Right Heart Catheterization

We consider methods for estimating causal effects of treatments when treatment assignment is unconfounded with outcomes conditional on a possibly large set of covariates. Robins and Rotnitzky (1995) suggested combining regression adjustment with weighting based on the propensity score (Rosenbaum and Rubin, 1983). We adopt this approach, allowing for a flexible specification of both the propensity score and the regression function. We apply these methods to data on the effects of right heart catheterization (RHC) studied in Connors et al (1996), and we find that our estimator gives stable estimates over a wide range of values for the two parameters governing the selection of variables.