🏅 Genetics A.S 🏅

📌 فیچر سلکشن و انتخاب بایومارکرهای پیش‌بینی‌کننده کاندید با روش Boruta 🔴 توضیحات ◀️ 🔴 متود Boruta یکی از الگوریتم‌های قدرتمند فیچر سلکشن هست که بر پایه الگوریتم Random Forest توسعه داده شده. برخلاف بسیاری از روش‌های فیچر سلکشن که فقط به دنبال پیدا کردن کمترین تعداد ویژگی برای بهترین عملکرد مدل هستن، هدف Boruta شناسایی تمام ویژگی‌های واقعاً مهم هست؛ تو این روش اول برای هر ژن موجود در دیتاست، یک نسخه تصادفی و به‌هم‌ریخته از همون ژن ساخته می‌شه که به اون Shadow Feature گفته می‌شه؛ بعد الگوریتم Random Forest روی مجموعه داده شامل ژن‌های واقعی و Shadow Featureها اجرا می‌شه و اهمیت هر کدوم محاسبه می‌شه. اگه اهمیت یک ژن واقعی به طور معناداری بیشتر از بهترین Shadow Feature باشه، اون ژن به عنوان Important تأیید می‌شه؛ اگر کمتر باشه حذف می‌شه و اگر وضعیتش مشخص نباشه به عنوان Tentative باقی می‌مونه تا تو تکرارهای بعدی دوباره بررسی بشه. به زبان ساده، Boruta فقط ژن‌هایی رو نگه می‌داره که واقعاً اطلاعات زیستی ارزشمند برای تفکیک کلاس‌ها دارن و احتمال انتخاب ویژگی‌های تصادفی یا نویز رو تا حد زیادی کاهش می‌ده. 🟡 برای یادگیری تئوری این الگوریتم، اول ویدیوهای زیر رو ببینید: Decision and Classification Trees (Part 1) Decision and Classification Trees (Part 2) Random Forest (Part 1) Random Forest (Part 2) Random Forest in R 🟠 و اما برای اجرای عملی این روش روی دیتای خودتون، یه استراتژی اینه که اول آنالیز افتراقی بیان دیتای خودتون (میکرواری، bulk RNA-seq یا single cell RNA-seq یا ...) رو انجام بدید و ژن‌های up و down رو به دست بیارید؛ بعد مراحل downstream، مثل رسم شبکه PPI و WGCNA رو ادامه بدید تا در نهایت به تعدادی هاب‌ژن برسید. تو مرحله بعد با فیچر سلکشن با روش Boruta می‌تونید از بین این هاب‌ژن‌ها، بایومارکرهای کاندید رو انتخاب کنید. 1️⃣ آماده‌سازی دیتا؛ توجه کنید که دیتاتون باید دیتای بیانی نرمالایزشده باشه؛ دیتای ورودی باید شامل هاب‌ژن‌ها تو ستون‌ها و سمپل‌ها تو ردیف‌ها و همین‌طور حاوی یک ستون که شرایط سمپل‌ها رو نشون‌ می‌ده (مثلا نرمال و تومور)، باشه.

df <- dataset1[rownames(dataset1) %in% hubs, ]
df <- t(df)
df <- data.frame(df)
df$Status <- c(rep("Tumor", 25), rep("Normal", 25))
x <- as.matrix(df[, -ncol(df)])
View(x)
y <- c(rep(1,25), rep(0, 25))

تو کد بالا، hubs یک وکتور حاوی اسامی هاب‌ژن‌ها و dataset1 هم دیتای بیانی نرمالایزشده هست. 2️⃣ اجرای الگوریتم Boruta:

library(Boruta)
df$Status <- as.factor(df$Status)
set.seed(123)
boruta_result <- Boruta(Status ~ .,
                        data = df,
                        doTrace = 2,
                        maxRuns = 500)

🔹 آرگومان doTrace = 2: نمایش روند اجرای الگوریتم و وضعیت فیچرها تو هر تکرار. 🔹 آرگومان maxRuns = 500: حداکثر تعداد دفعات اجرای Random Forest برای تصمیم‌گیری نهایی درباره فیچرها؛ هرچی بیشتر ← احتمال تصمیم‌گیری دقیق‌تر و زمان اجرای بیشتر. 3️⃣ رسم نمودار اهمیت فیچرها؛ این نمودار توزیع اهمیت ژن‌های واقعی رو در مقایسه با Shadow Featureها نشون می‌ده (نموداری که باید تو مقاله بذارید).

par(mar = c(5, 5, 5, 5))
plot(boruta_result,
     las = 2,
     cex.axis = 0.6,
     main = "Boruta Feature Importance")

🟢 فیچر سبز: ژن‌ تأیید شده (Confirmed) 🟡 فیچر زرد: ژن‌ نامشخص (Tentative) 🔴 فیچر قرمز: ژن‌ رد شده (Rejected) 🔵 فیچر آبی: Shadow Feature 4️⃣ تعیین تکلیف فیچرهای Tentative؛ تابع زیر سعی می‌کنه تصمیم نهایی رو برای این فیچرها بگیره که تو بازی باشن یا نه :)

final_boruta <- TentativeRoughFix(boruta_result)

5️⃣ استخراج بایومارکرهای منتخب و قطعی:

selected_boruta <- getSelectedAttributes(final_boruta,
                                         withTentative = FALSE)
print(selected_boruta)

⭐️ به این مقاله که چند ماه پیش نوشتم، توجه کنید؛ یکی از استپ‌ها مربوط به همین روش هست. Machine learning and WGCNA reveal the PVT1/miR-143–3p/CDK1 ceRNA axis as a key regulator in NSCLC ✨ جهت شرکت در دوره برنامه‌ریزی و مشاوره و جزوات جامع و جمع‌بندی ژنتیک پزشکی امری، جرد، تامپسون و جزوه لغات زبان پزشکی پیام دهید : @Cyaxares 💎 جهت مشاهده مصاحبه و کارنامه رتبه برترهایی که از مشاوره و جزوات من استفاده کردن، از این لینک‌ استفاده کنید : 🏆 رتبه‌ها - مصاحبه‌ها 🏆 😢 کپی کردن مباحث و پست‌های کانال، تنها با ذکر نام کانال بلامانع است! ➕ پست‌ها رو برای دوستانتون فوروارد کنید. #بیوانفورماتیک کانال آموزشی آرش صفرزاده (@GeneticsAS 🌐) 🔠🔠🔠🔠🔠🔠🔠🔠 ⚡️ 🔠🔠