转化生物标志物在临床代谢组学:发现入门教程

文摘
代谢组学越来越多的被应用到生物标记的识别疾病诊断、预后和风险预测。不幸的是在许多出版的代谢组学研究专注于生物标志物的发现,很少有研究者如何选择、一致性和相对较少的严格评估或报告他们的候选人生物标志物。特别是,一些研究报告任何程度的敏感性,特异性,或提供接收机算子特征(ROC)曲线相关的置信区间。更少的研究明确地描述或释放生物模型用于生成ROC曲线。这是令人惊讶的,因为大多数其他生物标志物研究生物医学领域,ROC曲线分析通常被认为是标准的性能评估方法。因为生物标志物发现的终极目标是这些生物标志物临床实践的翻译,很明显,代谢组学社会需要开始“说同一种语言”的生物标志物分析和reporting-especially如果它希望看到代谢物标记被常规应用于临床。在本教程中,我们将首先介绍ROC曲线的概念和描述他们在单一生物标志物临床化学分析中使用。这包括建设ROC曲线,了解ROC曲线下面积的意义(AUC)和部分AUC,以及置信区间的计算。本教程的第二部分着重于生物标志物分析代谢组学的上下文中。本节描述不同的统计和机器学习策略,可以用来创建multi-metabolite生物模型和解释了这些模型可以评估使用ROC曲线。 In the third part of the tutorial we discuss common issues and potential pitfalls associated with different analysis methods and provide readers with a list of nine recommendations for biomarker analysis and reporting. To help readers test, visualize and explore the concepts presented in this tutorial, we also introduce a web-based tool called ROCCET (ROC Curve Explorer & Tester, http://www.roccet.ca). ROCCET was originally developed as a teaching aid but it can also serve as a training and testing resource to assist metabolomics researchers build biomarker models and conduct a range of common ROC curve analyses for biomarker studies.

这篇文章发表在杂志上的代谢组学和可以自由访问。