XiaoMi-AI文件搜索系统
World File Search SystemLASSO
GLMNETR：放松的套索和其他机器学习模型的嵌套交叉验证
说明交叉验证的放松套索，人工神经网络（ANN），渐变机（'xgboost'），随机森林（'Randomforestsrc'），倾斜随机（'aorsf'），递归分区（'rpart'）或步骤WISE WISE RECLISTION模型。交叉阀排出样品（导致嵌套交叉验证），或使用Bootstrap排除外部样品来评估和比较这些模型之间的性能与表格或图形均值预示的结果。校准图也可以是基于（外部嵌套）交叉验证的（外部嵌套）或引导程序（从包中）样本的。对于某些数据集，例如，当设计矩阵不完全排名时，“ glm-net”可能会在拟合轻松的Lasso模型时具有很长的运行时间，这是从我们的经验中，当我们的经验与许多预测变量和许多患者一起将COX模型拟合到数据时，这使得很难从Glmnet（）或Cv.glmnet（）中获得解决方案。调用glmnet（）和cv.glmnet（）时，我们可以通过“路径= true”选项来纠正这一点。在glmnetr包中，路径= true的方法默认情况下是按照。When fitting not a relaxed lasso model but an elastic-net model, then the R- packages 'nestedcv' < https: //cran.r-project.org/package=nestedcv >, 'glmnetSE' < https://cran.r-project.org/ package=glmnetSE > or others may provide greater functionality when performing a nested CV.
通过生成变压器学习人类疾病的自然史
大多数患者在寻求治疗时失去了最好的手术机会[3，4]。因此，确定结肠癌的新型诊断和治疗靶标对于增强其诊断和治疗以及改善患者预后至关重要。衰老代表对各种应力信号的细胞反应，可保护细胞免受不必要的伤害。在癌症的背景下，衰老具有双重功能：它通过抑制受损细胞的增殖而充当肿瘤抑制因子，同时通过促进炎症环境来促进癌症。此外，癌细胞也可以表现出衰老反应。这既提出了癌症顺序治疗的挑战和机会，然后利用衰老疗法进行了鼻溶疗法[5]。长的非编码RNA（LNCRNA）是一种超过200个核苷酸的非编码RNA。它通过调节基因表达而在生物学上发挥作用，并且对癌症的发展和进展至关重要[6]。lncRNA在调节结肠癌中的各种过程中发挥了重要作用，包括细胞增殖凋亡和细胞死亡，以及影响细胞周期迁移，能力，艾symal转变（T），癌症干细胞行为以及对结肠癌疗法的耐药性[7]。E2F1反应LncRNA LIMP27与P27 mRNA竞争与细胞质HNRNP0结合，选择性下调P27表达。这种相互作用会导致G0/G1相细胞周期，并促进缺乏p53的结肠腺癌细胞的增殖，肿瘤性和治疗性[8]。研究结肠腺癌中与衰老相关的LincrNA可以增强我们对这种癌症发作和进展的分子机制的理解，同时也为发展新的潜在干预策略铺平了道路。
高度适应性拉索：在现实模型中提供有效的非参数推断的机器学习
使用现实世界数据了解治疗对健康相关结果的影响需要定义因果参数并施加相关识别假设，以将其转化为统计估计。半参数方法，例如目标最大似然估计器（TMLE），以构建这些参数的渐近线性估计器。要进一步建立这些估计量的渐近效率，必须满足两个条件：1）数据可能性的相关组成部分必须属于Donsker类，而2）2）滋扰参数的估计值在其真实值的速度上以比N -1 /4更快的速度收敛。高度适应性的拉索（HAL）通过在具有有界分段变化标准的Càdlàg函数中充当经验风险最小化来满足这些标准，已知是Donsker。hal达到了所需的收敛速度，从而保证了估计量的渐近效率。HAL最小化其风险的功能类别具有足够的灵活性，可以捕获现实的功能，同时保持建立效率的条件。此外，HAL可以对非方向可区分参数（例如条件平均治疗效果（CATE）和因果剂量响应曲线，对精确健康很重要。尽管在机器学习文献中经常考虑这些参数，但这些应用通常缺乏适当的统计推断。HAL通过提供可靠的统计不确定性量化来解决这一差距，这对于健康研究中的知情决策至关重要。
基于相对小波包熵脑网络和改进的套索
运动成像（MI）脑电图（EEG）信号具有较低的信噪比，这在特征提取和具有高分类精度的特征选择方面带来了挑战。在这项研究中，我们提出了一种方法，该方法将改进的套索与缓解f结合起来，以提取小波数据包熵特征和大脑功能网络的拓扑特征。用于信号降解和通道过滤，根据r 2映射对原始MI EEG进行过滤，然后使用小波软阈值和一对一的多级多级得分公共空间模式算法。随后，提取了大脑网络的相对小波数据包熵和相应的拓扑特征。在特征融合后，杂种类和浮雕法被应用用于特征选择，然后分别是三个分类器和一个集合分类器。实验是在两个公共脑电图数据集（BCI竞争III数据集IIIA和BCI竞争IIA IIA）上进行的，以验证此提出的方法。结果表明，大脑网络拓扑特征和特征选择方法可以更有效地保留脑电图的信息并降低计算复杂性，并且两个公共数据集的平均分类精度均高于90％。因此，该算法适用于MI-BCI，并且在康复和其他领域具有潜在的应用。
通过基于工程化套索肽的强效和选择性双重 αvβ6/8 抑制剂克服免疫检查点抑制剂耐药性
肿瘤微环境 (TME) 中的整合素 v 6 和 v 8 已被证实能激活免疫抑制 TGF- ，这是一系列肿瘤对免疫检查点抑制剂产生耐药性的重要机制。在本研究中，我们展示了套索肽作为设计新疗法的多功能支架的效用。通过结合表位扫描、计算设计和定向进化，设计了一系列高效且选择性的双重 v 6/8 抑制剂。几种类似物，如套索肽 36 和 47 ，已被充分表征，并报告了物理化学、体外药理学和体内数据。套索肽 47 是 36 的一种半衰期延长衍生物，与检查点抑制剂联合使用时，已被证实可强烈增强小鼠抗 mPD-1 耐药肿瘤的敏感性。研究表明，47/抗 mPD-1 组合可在三阴性乳腺癌和卵巢癌小鼠模型中阻止肿瘤生长并使肿瘤消退。因此，TME 中表达的 v 6/8 整合素的双重抑制代表了一种有前途的肿瘤特异性策略，可克服 TGF- 驱动的耐药性并增强免疫检查点抑制剂的抗肿瘤功效。_________________________________________________
基于WGCNA和LASSO回归的新型结肠腺癌中衰老相关LNCRNA的预后模型
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
GLMNETR中机器学习模型的校准
## ## 10倍（嵌套）交叉验证的性能度量与使用所有数据无需交叉验证计算的幼稚摘要## ## ## ave devrat ave slope ave concordance ave ave非零零## lasso min 0.2452 1.0702 0.8702 0.8730 48.0 ## lasso min 0.244.084.084 0.244.084 0.2452 minR.G0 0.2435 0.9451 0.8733 16.8 ## Ridge 0.2256 1.2887 0.8660 99.0 ## Naive DevRat Naive Concordance Non Zero ## LASSO min 0.1696 0.8794 42 ## LASSO minR 0.1710 0.8791 20 ## LASSO minR.G0 0.1663 0.8759 13 ## Ridge 0.1718 0.8822 99 ## ## Ave DevRat Ave Slope Ave Concordance Ave Non Zero ## Stepwise df tuned 0.2541 0.9741 0.8776 14.7 ## Stepwise p tuned 0.2549 0.9775 0.8786 15.0 ## Naive DevRat Naive Concordance Non Zero ## Stepwise df tuned 0.1711 0.8785 15 ##逐步调谐0.1711 0.8785 15
ddml：双/辩护机器学习
描述变量选择方法已被广泛开发用于分析频繁主义者和贝叶斯框架中的高级幻象数据。此软件包可以通过沿贝叶斯分层模型的线进行开发的尖峰和单位分位数（组）套索的实现，但通过使用预期 - 示数（EM）algorithm的频繁定期化方法深深地植根于频繁的正规化方法。与其非稳定替代方案（同样在包装中也实现）相比，Spike and-Slab tile lasso可以根据偏斜性和异常值来处理数据不规则性。此外，还以对高维纵向数据的分位数/最小平方不同的系数混合效应模型的形式进行了拟合尖峰和slab分位数套索及其非舒适对应的程序。此软件包的核心模块是在“ C ++”中开发的。
大尺寸单索引贝叶斯的脑萎缩建模
摘要。我们提出了一种脑萎缩模型，这是高维遗传信息的函数和低维的协变量，例如性别，年龄，APOE基因和疾病状态。提出了一个非参数单索引贝叶斯的高维模型，以在未知函数上使用B型序列序列对关系进行建模，并在随机效应的分布之前，在未知的函数和dirichlet过程尺度混合物上进行了焦中的尺度混合物。在没有随机效应的情况下，收缩的后率是针对固定数量的区域和时间点的，随着样本量的增加。我们通过哈密顿蒙特卡洛（HMC）算法实现了有效的计算算法。将提出的贝叶斯方法的性能与线性模型中相应的最小平方估计器进行了比较，并在高维协变量对高维协变量上的Mosseshoe先验，最小绝对收缩和选择算子（Lasso）（LASSO）（LASSO）（LASSO）和平滑剪辑的绝对偏差（SCAD）进行了惩罚。提出的贝叶斯方法适用于在748个个体的多次访问中使用620,901个SNP和其他6个其他协变量对每个人进行多次访问的大脑区域的数据集，以识别与脑萎缩相关的因素。