Повторная проверка: валидация диагностических статистик для моделей PLS-DA в метаболомических исследованиях
Double-check: validation of diagnostic statistics for PLS-DA models in metabolomics studies
2011-07-07
SCID: 54.1/g6a93hyj
Discuss with AI
AUROCPLS-DAдиагностические статистикиметаболомикаперестановочное тестирование
Figures from the paper
Abstract (AI)
Дискриминантный анализ методом частичных наименьших квадратов (PLS-DA) представляет собой метод регрессии PLS со специальной бинарной фиктивной y-переменной и широко используется для классификации и отбора биомаркеров в метаболомических исследованиях. В настоящее время для валидации результатов анализа PLS-DA применяются различные статистические подходы, например процедуры двойной кросс-валидации и перестановочное тестирование. Однако оптимизация и оценка эффективности моделей PLS-DA характеризуются значительной несогласованностью, поскольку при анализе метаболомических данных используется множество различных диагностических статистик. В статье рассматриваются свойства четырех диагностических статистик PLS-DA: числа ошибочных классификаций (NMC), площади под характеристической кривой обнаружения (AUROC), Q(2) и дискриминантной Q(2) (DQ(2)). Все четыре диагностические статистики используются для оптимизации и оценки эффективности моделей PLS-DA, построенных на трех метаболомических наборах данных различного размера, полученных с использованием двух типов аналитических платформ и характеризующихся различной степенью известных различий между двумя группами: контрольной и исследуемой. Статистическую значимость полученных моделей PLS-DA оценивали с помощью перестановочного тестирования. Модели PLS-DA, полученные с использованием NMC и AUROC, более эффективны для выявления очень небольших различий между группами, чем модели, полученные с использованием Q(2) и дискриминантной Q(2) (DQ(2)). Для объяснения этого явления также исследовали воспроизводимость результатов полученных моделей PLS-DA, сложность моделей и распределения результатов перестановочных тестов. В отличие от NMC и AUROC, DQ(2) и Q(2) отдают предпочтение моделям PLS-DA с меньшей сложностью и требуют большего числа перестановочных тестов и подмоделей для точной оценки статистической значимости эффективности модели. NMC и AUROC представляются более эффективными и надежными диагностическими статистиками и должны быть рекомендованы для дискриминации двух групп в метаболомических исследованиях. Электронный дополнительный материал: онлайн-версия этой статьи (doi:10.1007/s11306-0...
Key Findings
1
DQ(2) и Q(2) предпочитают менее сложные модели PLS-DA и требуют большего числа перестановочных тестов и подмоделей для точной оценки статистической значимости.
2
Различия между диагностическими статистиками связаны с воспроизводимостью моделей, их сложностью и распределениями результатов перестановочных тестов.
3
NMC и AUROC определены как более эффективные и надежные статистики для дискриминации двух групп в метаболомных исследованиях.
4
NMC и AUROC более эффективно выявляют очень малые различия между контрольной и исследуемой группами, чем Q(2) и DQ(2).
5
В исследовании оцениваются четыре диагностические статистики PLS-DA — NMC, AUROC, Q(2) и DQ(2) — на трех метаболомных наборах данных разного размера и с различиями между группами различной выраженности.
Research Object
Модели PLS-DA, применяемые к метаболомным наборам данных с двумя группами
Research Subject
Валидация и сравнительная эффективность диагностических статистик (NMC, AUROC, Q(2) и DQ(2)) для оптимизации моделей, оценки их статистической значимости, воспроизводимости и сложности
Publication Details
Publication Date
2011-07-07
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest