Алгоритм метагена аттрактора для разработки функций с использованием взаимного информационного обучения
M = metafeatures(X)M в X использование алгоритма метагена аттрактора, описанного в [1].
M является r -by - n матрицей. r - количество метафункции, идентифицированных во время каждого повторения алгоритма. Количество повторений по умолчанию 1. По умолчанию в M. Если несколько повторений приводят к одной и той же метафеатуре, то возвращается всего одна копия M. n - количество выборок (пациентов или временных точек).
X является p -by n числовой матрицей. p - это количество переменных, функций или генов. Другими словами, строки X соответствуют переменным, таким как измерения экспрессии генов для различных генов. Столбцы соответствуют различным выборкам, таким как пациенты или временные точки.
[ использует p -by-1 массив ячеек из векторов символов или строкового вектора M,W,GSorted]
= metafeatures(X,G)G содержит имена переменных и возвращает p -by r массив ячеек с именами переменных GSorted сортировка по уменьшающемуся весу.
i-й столбец GSorted перечисляет имена функций (переменных) в порядке их вклада в i-ю метафункции.
[ возвращает индексы M,W,GSorted,GSortedInd]
= metafeatures(___)GSortedInd таким образом GSorted = G(GSortedInd).
[___] = metafeatures(___, использует дополнительные опции, заданные одним или несколькими Name,Value)Name,Value аргументы в виде пар.
[___] = metafeatures( использует p -by n T)таблицу T. Имена генов являются именами строк таблицы. M = W'*T{:,:}.
[___] = metafeatures( использует дополнительные опции, заданные одним или несколькими T,Name,Value)Name,Value аргументы в виде пар.
Примечание
Возможно, количество возвращенных метафеатур (r) в M может быть меньше, чем количество повторений (повторов). Даже при том, что вы, возможно, установили количество повторений на положительное целое число, больше 1, если каждое повторение возвращает ту же метафункцию, то r равняется 1, и M 1-by- n. Это потому, что по умолчанию функция возвращает только уникальные метафункции. Если вы предпочитаете получать все метафункции, задайте 'ReturnUnique' на false. Метафункция рассматривается уникальной, если корреляция Пирсона между ней и всеми ранее найденными метафункциями меньше, чем 'UniqueTolerance' значение (значение по умолчанию 0.98).
Загрузите данные экспрессии гена рака молочной железы. Данные были получены из атласа генома рака (TCGA) 20 мая 2014 года и содержат данные экспрессии генов 17814 генов для 590 различных пациентов. Данные выражения хранятся в переменной geneExpression. Имена генов хранятся в переменной geneNames.
load TCGA_Breast_Gene_ExpressionДанные имеют несколько значений NaN.
sum(sum(isnan(geneExpression)))
ans =
1695Используйте метод k-ближайшего соседа для замены недостающих данных соответствующим значением из среднего значения ближайших столбцов k.
geneExpression = knnimpute(geneExpression,3);
Существуют три распространённых драйверов рака молочной железы: ERBB2, эстроген и прогестрон. metafeatures позволяет посеять стартовые веса, чтобы сосредоточиться на интересующих генах. В этом случае установите вес для каждого из этих генов равным 1 в трёх разных строках startValues. Каждая строка соответствует начальным значениям для другой репликации (повторения).
erbb = find(strcmp('ERBB2',geneNames)); estrogen = find(strcmp('ESR1',geneNames)); progestrone = find(strcmp('PGR',geneNames)); startValues = zeros(size(geneExpression,1),3); startValues(erbb,1) = 1; startValues(estrogen,2) = 1; startValues(progestrone,3) = 1;
Примените алгоритм метагена аттрактора к вмененным данным.
[meta, weights, genes_sorted] = metafeatures(geneExpression,geneNames,'start',startValues);
Переменная meta имеет значение трех метагенов, обнаруженных для каждой выборки. Постройте эти три метагена, чтобы получить представление о природе регуляции генов по различным фенотипам рака молочной железы.
plot3(meta(1,:),meta(2,:),meta(3,:),'o') xlabel('ERBB2 metagene') ylabel('Estrogen metagene') zlabel('Progestrone metagene')
Исходя из графика, наблюдайте следующее.
Существует группа точек, кластеризованных вместе с низкими значениями для всех трех метагенов. Основываясь на уровнях мРНК, это может быть тройной отрицательный или базальный тип рака молочной железы.
Существует группа точек, которые имеют высокую экспрессию метагена рецептора эстрогена и охватывают как высокую, так и низкую экспрессию метагена прогестрона. Нет точек с высокой экспрессией метагена прогестрона и низкой экспрессией метагена эстрогена. Это согласуется с наблюдением, что рак молочной железы ER-/PR + встречается крайне редко [3].
Остальные точки - это ERBB2 положительные виды рака. Они имеют меньшее представление в этом наборе данных, чем гормональный и тройной отрицательный рак.
[1] Cheng, W-Y., Ou Yang, T-H., and Anastassiou, D. (2013). Биомолекулярные события при раке выявлены метагенами-аттракторами. Вычислительная биология PLoS 9 (2): e1002920.
[2] Daub, C., Steuer, R., Selbig, J., and Kloska, S. (2004). Оценка взаимной информации с использованием B-сплайн функций - улучшенная мера подобия для анализа данных экспрессии генов. BMC Биоинформатика 5, 118.
[3] Hefti, M.M., Hu, R., Knoblauch, N.W., Collins, L.C., Haibe-Kains, B., Tamimi, R.M., and Beck, A.H. (2013). Отрицательный рецептор эстрогена/рецептор прогестерона положительный рак молочной железы не является воспроизводимым подтипом. Исследование рака молочной железы. 15:R68.