Máquinas de vectores de soporte para detección de biomarcadores en experimentos in vitro e in vivo de exposición a organoclorados
Resumen
Los estudios en metabolómica generan gran cantidad de datos cuya complejidad aumenta si surgen de experimentos in vivo. A pesar de esto, métodos ampliamente usados en metabolómica como el análisis discriminante por mínimos cuadrados parciales (PLS-DA) tienen dificultades con este tipo de datos, sin embargo, hay evidencia que las máquinas de vectores de soporte (SVM) pueden tener un mejor desempeño. Por otro lado, la exposición crónica a organoclorados es un problema de salud pública. Esta se asocia a enfermedades como el cáncer. Identificarla exposición es relevante para disminuir su impacto. Este estudio tuvo como objetivo explorar el rendimiento de las SVM en la clasificación de perfiles metabolómicos e identificación de metabolitos relevantes en estudios de exposición a organoclorados. Se realizaron dos experimentos: primero se evaluó la exposición a organoclorados en células HepG2. Luego, se evaluó la exposición a pesticidas en muestras de suero de trabajadores agrícolas. El rendimiento de las SVM se comparó con PLS-DA. Se evaluaron cuatro funciones kernel en SVM y la precisión de ambos métodos se evaluó mediante prueba de validación cruzada k-fold. Para identificar los metabolitos relevantes, se utilizó eliminación recursiva de características (RFE) en SVM y la proyección de importancia de variables (VIP) se usó en PLS-DA. Los resultados mostraron que las SVM tuvieron mayor precisión en la clasificación de los trabajadores agrícolas expuestos usando menos muestras de entrenamiento. Se propone un flujo de trabajo basado en SVM que permita la identificación de biomarcadores en muestras con alta complejidad biológica.
Referencias bibliográficas
J. C. Lindon; J. K. Nicholson: E. Holmes, The Handbook of Metabonomics and Metabolomics. Elsevier, 2007.
E. C. Horning; M. G. Horning, “Human Metabolic Profiles Obtained by GC and GC/MS,” J. Chromatogr. Sci., vol. 9, no. 3, pp. 129–140, Mar. 1971. https://doi.org/10.1093/chromsci/9.3.129
S. Mahadevan; S. L. Shah; T. J. Marrie; C. M. Slupsky, “Analysis of Metabolomic Data Using Support Vector Machines,” Anal. Chem., vol. 80, no. 19, pp. 7562–7570, Sep. 2008. https://doi.org/10.1021/ac800954c
C. Cortes; V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, Sep. 1995. https://doi.org/10.1007/BF00994018
A. Alonso; S. Marsal; A. JuliÃ, “Analytical Methods in Untargeted Metabolomics: State of the Art in 2015,” Front. Bioeng. Biotechnol., vol. 3, p. 23, Mar. 2015. https://doi.org/10.3389/fbioe.2015.00023
J. Heinemann; A. Mazurie; M. Tokmina-Lukaszewska; G. J. Beilman; B. Bothner, “Application of support vector machines to metabolomics experiments with limited replicates,” Metabolomics, vol. 10, no. 6, pp. 1121–1128, Dec. 2014, https://doi.org/10.1007/s11306-014-0651-0
K. M. Mendez; S. N. Reinke; D. I. Broadhurst, “A comparative evaluation of the generalised predictive ability of eight machine learning algorithms across ten clinical metabolomics data sets for binary classification,” Metabolomics, vol. 15, no. 12, p. 150, Nov. 2019. https://doi.org/10.1007/s11306-019-1612-4
P. S. Gromski et al., “A tutorial review: Metabolomics and partial least squares-discriminant analysis – a marriage of convenience or a shotgun wedding,” Anal. Chim. Acta, vol. 879, pp. 10–23, Jun. 2015. https://doi.org/10.1016/j.aca.2015.02.012
I. Guyon; J. Weston; S. Barnhill; V. Vapnik, “Gene selection for cancer classification using support vector machines,” Mach. Learn., vol. 46, no. 1, pp. 389–422, Jan. 2002. https://doi.org/10.1023/A:1012487302797
W. Guan et al., “Ovarian cancer detection from metabolomic liquid chromatography/mass spectrometry data by support vector machines,” BMC Bioinformatics, vol. 10, no. 259, Aug. 2009. https://doi.org/10.1186/1471-2105-10-259
X. Lin et al., “A support vector machine-recursive feature elimination feature selection method based on artificial contrast variables and mutual information,” J. Chromatogr. B, vol. 910, pp. 149–155, Dec. 2012. https://doi.org/10.1016/j.jchromb.2012.05.020
M. Abdollahi; A. Ranjbar; S. Shadnia; S. Nikfar; A. Rezaiee, “Pesticides and oxidative stress: a review,” Med. Sci. Monit., vol. 10, no. 6, Jun. 2004.https://pubmed.ncbi.nlm.nih.gov/15173684/
V. Moses; J. V. Peter, “Acute intentional toxicity: endosulfan and other organochlorines,” Clin. Toxicol., vol. 48, no. 6, pp. 539–544, Jul. 2010. https://doi.org/10.3109/15563650.2010.494610
R. Jayaraj; P. Megha; P. Sreedev, “Organochlorine pesticides, their toxic effects on living organisms and their fate in the environment,” Interdiscip. Toxicol., vol. 9, no. 3–4, p. 90- 100, Dec. 2016. https://doi.org/10.1515/intox-2016-0012
M. Zuluaga; J. J. Melchor; F. A. Tabares-Villa; G. Taborda; J. C. Sepúlveda-Arias, “Metabolite Profiling to Monitor Organochlorine Pesticide Exposure in HepG2 Cell Culture,” Chromatographia, vol. 79, no. 17–18, pp. 1061–1068, Sep. 2016. https://doi.org/10.1007/s10337-016-3031-2
O. Fiehn; T. Kind, “Metabolite Profiling in Blood Plasma,” in Metabolomics, Springer, 2007, pp. 3–17. https://doi.org/10.1007/978-1-59745-244-1_1
O. Fiehn et al., “Quality control for plant metabolomics: reporting MSI-compliant studies,” Plant J., vol. 53, no. 4, pp. 691–704, Feb. 2008. https://doi.org/10.1111/j.1365-313X.2007.03387.x
J. Chong; D. S. Wishart; J. Xia, “Using MetaboAnalyst 4.0 for Comprehensive and Integrative Metabolomics Data Analysis,” Curr. Protoc. Bioinforma., vol. 68, no. 1, p. e86, Sep. 2019. https://doi.org/10.1002/cpbi.86
L. Eriksson, Introduction to multi-and megavariate data analysis using projection methods (PCA & PLS). Umetrics AB, 1999.
R. C. Team, “R: A language and environment for statistical computing,” 2013. https://www.yumpu.com/en/document/read/6853895/r-a-language-and-environment-for-statistical-computing
M. Campbell, “RStudio Projects,” in Learn RStudio IDE, Berkeley, CA: Apress, 2019, pp. 39–48. https://doi.org/10.1007/978-1-4842-4511-8_4
D. Meyer et al., “Package ‘e1071, Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien’”, versió 1.7-9, R J., 2019. http://sunsite2.icm.edu.pl/pub/unix/math/cran/web/packages/e1071/e1071.pdf
H. Zheng et al., “Predictive diagnosis of major depression using NMR-based metabolomics and least-squares support vector machine,” Clin. Chim. Acta, vol. 464, pp. 223–227, Jan. 2017. https://doi.org/10.1016/j.cca.2016.11.039
B. Feizizadeh; M. S. Roodposhti; T. Blaschke; J. Aryal, “Comparing GIS-based support vector machine kernel functions for landslide susceptibility mapping,” Arab. J. Geosci., vol. 10, no. 122, Mar. 2017. https://doi.org/10.1007/s12517-017-2918-z
M. A. Horaira; M. S. Ahmed; M. H. Kabir; M. N. H. Mollah; M. A. Rahman Shah, “Colon Cancer Prediction from Gene Expression Profiles Using Kernel Based Support Vector Machine,” in 2018 International Conference on Computer, Communication, Chemical, Material and Electronic Engineering (IC4ME2), Feb. 2018, pp. 1–4. https://ieeexplore.ieee.org/document/8465636
V. Wan; W. M. Campbell, “Support vector machines for speaker verification and identification,” in Neural Networks for Signal Processing X. Proceedings of the 2000 IEEE Signal Processing Society Workshop (Cat. No.00TH8501), vol. 2, pp. 775–784. https://doi.org/10.1109/NNSP.2000.890157
V. Hooshmand Moghaddam; J. Hamidzadeh, “New Hermite orthogonal polynomial kernel and combined kernels in Support Vector Machine classifier,” Pattern Recognit., vol. 60, pp. 921–935, Dec. 2016. https://doi.org/10.1016/j.patcog.2016.07.004
X. Huang; Q.-S. Xu; Y.-H. Yun; J.-H. Huang; Y.-Z. Liang, “Weighted variable kernel support vector machine classifier for metabolomics data analysis,” Chemom. Intell. Lab. Syst., vol. 146, pp. 365–370, Aug. 2015. https://doi.org/10.1016/j.chemolab.2015.06.009
D. A. López-Sarmiento; H. C. Manta-Caro; N. E. Vera-Parra, “Clasificador basado en una máquina de vectores de soporte de mínimos cuadrados frente a un clasificador por regresión logística ante el reconocimiento de dígitos numéricos,” TecnoLógicas, no. 31, pp. 37-51, Nov. 2011. https://doi.org/10.22430/22565337.99
L. A. Muñoz-Bedoya; L. E. Mendoza; H. J. Velandia-Villamizar, “Segmentación de Imágenes de Resonancia Magnética IRM utilizando LS-SVM y Análisis Multiresolución Wavelet,” TecnoLógicas, pp. 681-693, Nov. 2013. https://doi.org/10.22430/22565337.381
M. Moon; K. Nakai, “Stable feature selection based on the ensemble L 1 -norm support vector machine for biomarker discovery,” BMC Genomics, vol. 17, no. s13, Dec. 2016. https://doi.org/10.1186/s12864-016-3320-z
Descargas
Métricas
