🤩 Mime1 | 终极机器学习算法大组合筛选你的最佳模型（一）（预后模型篇）

生信漫卷

发布于 2024-07-12 16:08:36

8301

发布于 2024-07-12 16:08:36

文章被收录于专栏：R语言及实用科研软件

写在前面

终于到了周六，这周手术做的有点多了。🫠

下周又是工作量满满的一周。🙃

今天讲一下机器学习的神包，Mime1，之所以写这个名字，是怕大家和Mime包混淆，影响安装。😂

用到的包

rm(list = ls())
# 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")

library(Mime1)

示例数据

load("./Example.cohort.Rdata")
list_train_vali_Data[["Dataset1"]][1:5,1:5]

load("./genelist.Rdata")

genelist

创建预后模型并选择最优模型

来小试牛刀一下吧。😘

res <- Mime1::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', ## 'all', 'single', and 'double'
                     nodesize =5,
                     seed = 123 
                     )

可视化C-index。😘

cindex_dis_all(res,
               validate_set = names(list_train_vali_Data)[-1],
               order = names(list_train_vali_Data),
               width = 0.35
               )

展示指定模型的C-index。🙊

cindex_dis_select(res,
                  model="StepCox[forward] + plsRcox",
                  order= names(list_train_vali_Data))

根据特定模型计算的风险评分，绘制不同数据集中患者的生存曲线。💪

survplot <- vector("list",2) 
for (i in c(1:2)) {
  print(survplot[[i]]<-rs_sur(res, model_name = "StepCox[forward] + plsRcox",
                              dataset = names(list_train_vali_Data)[i],
                              #color=c("blue","green"),
                              median.line = "hv",
                              cutoff = 0.5,
                              conf.int = T,
                              xlab="Day",pval.coord=c(1000,0.9))
        )
}
aplot::plot_list(gglist=survplot,ncol=2)

计算模型的AUC

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,
                            auc_cal_method="KM")
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")

可视化AUC。😘

这里我们只展示一下1年的。😏

auc_dis_all(all.auc.1y,
            dataset = names(list_train_vali_Data),
            validate_set=names(list_train_vali_Data)[-1],
            order= names(list_train_vali_Data),
            width = 0.35,
            year=1)

绘制不同数据集中特定模型的ROC曲线。😘

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)

绘制不同数据集中特定模型的1、3、5年的AUC。😘

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))

单变量cox回归特定模型的meta分析

unicox.rs.res <- cal_unicox_ml_res(res.by.ML.Dev.Prog.Sig = res,
                                   optimal.model = "StepCox[forward] + plsRcox",
                                   type ='categorical' # 'categorical' or 'continuous'
                                   )

metamodel <- cal_unicox_meta_ml_res(input = unicox.rs.res)

meta_unicox_vis(metamodel,
                dataset = names(list_train_vali_Data))

与已知模型相比较

7.1 计算risk score

rs.glioma.lgg.gbm <- cal_RS_pre.prog.sig(use_your_own_collected_sig = F,
                                         type.sig = c('LGG','GBM','Glioma'),
                                        list_input_data = list_train_vali_Data)

可视化比较HR。😘

HR_com(rs.glioma.lgg.gbm,
       res,
       model_name="StepCox[forward] + plsRcox",
       dataset=names(list_train_vali_Data),
       type = "categorical")

7.2 计算C-index

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)

可视化比较C-index。🌟

cindex_comp(cc.glioma.lgg.gbm,
            res,
            model_name="StepCox[forward] + plsRcox",
            dataset=names(list_train_vali_Data))

7.3 计算AUC

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')

可视化比较AUC。😘

auc_comp(auc.glioma.lgg.gbm.1,
         all.auc.1y,
         model_name="StepCox[forward] + plsRcox",
         dataset=names(list_train_vali_Data))

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-07-06，如有侵权请联系 cloudcommunity@tencent.com 删除

可视化

本文分享自生信漫卷微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度

🤩 Mime1 | 终极机器学习算法大组合筛选你的最佳模型（一）（预后模型篇）

🤩 Mime1 | 终极机器学习算法大组合筛选你的最佳模型（一）（预后模型篇）

写在前面

用到的包

示例数据

创建预后模型并选择最优模型

计算模型的AUC

单变量cox回归特定模型的meta分析

与已知模型相比较

7.1 计算risk score

7.2 计算C-index

7.3 计算AUC

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐