معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Pipeline for building clinical outcome prediction models on training dataset and transfer learning on validation datasets.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ciclops-0.0.4
نام	ciclops
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Elysia Chou, Hanrui Zhang, Yuanfang Guan
ایمیل نویسنده	elysian@umich.edu, rayezh@umich.edu, gyuanfan@umich.edu
آدرس صفحه اصلی	https://github.com/GuanLab/ciclops
آدرس اینترنتی	https://pypi.org/project/ciclops/
مجوز	-

# Ciclops Cross-platform training In CLinical Outcome PredictionS (ciclops) is the winning algorithm in [2019 Malaria DREAM Challenge SubChallenge 2](https://www.synapse.org/#!Synapse:syn16924919/wiki/583955). Ciclops performs transfer learning from one transcriptomic platform's samples to another. ## Installation Install this package via pip: ``` pip install ciclops ``` or clone this program to your local directory: ``` https://github.com/GuanLab/ciclops.git ``` ## Usage ``` python ciclops [-h] [--train_path TRAIN_PATH] [--valid_path VALID_PATH] [-m MODEL_TYPE] [--no_quantile] [--shap] [-n TOP_GENES] Pipeline for building clinical outcome prediction models on training dataset and transfer learning on validation datasets. optional arguments: -h, --help show this help message and exit --train_path TRAIN_PATH Path to your training data, in .csv format; includes sample names as first column and labels as last column --valid_path VALID_PATH Path to your transfer validation data, in .csv format; includes sample names as first column and labels as last column -m MODEL_TYPE, --model_type MODEL_TYPE Machine learning models to use: lgb: LightGBM; xgb: XGBoost; rf: Random Forest; gpr: Gaussian Process Regression; lr: Linear Regression; default: lgb --no_quantile If specified, do not use quantile normalization. --shap Conduct SHAP analysis on the training and validation set. Only for use with LightGBM, XGBoost, and Random Forest. -n TOP_GENES, --top_genes TOP_GENES If --shap is specified, indicate number of top genes from both training and validation sets that will be compared in post-SHAP analysis. Default is 20. ``` It will generate the following folders: `./training/`: preprocessed training datasets for model training and 10-fold cross validation `./validation/`: validation dataset for transferring test `./params/`: trained machine learning model parameters `./performance/`: model performance in 10-fold cross validation and transferring test `./SHAP/`: SHAP analysis results ## References * For the original paper, please refer to the Guan Lab's 2022 iScience paper: [Machine learning for artemisinin resistance in malaria treatment across in vivo-in vitro platforms](https://doi.org/10.1016/j.isci.2022.103910). * STAR Protocol (TBD) * External data for testing/example purposes: * Shaw, P.J. et al. (2015) ‘Plasmodium parasites mount an arrest response to dihydroartemisinin, as revealed by whole transcriptome shotgun sequencing (RNA-seq) and microarray study’, BMC Genomics. doi:10.1186/s12864-015-2040-0. * GSE59098 * GSE151189

نیازمندی

مقدار	نام
>=1.21.5	numpy
>=1.4.1	pandas
>=3.5.1	matplotlib
>=0.11.7	matplotlib-venn
>=1.0.2	scikit-learn
>=1.8.0	scipy
>=3.3.2	lightgbm
>=0.40.0	shap
>=1.6.0	xgboost
>=4.63.0	tqdm

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl ciclops-0.0.4:

pip install ciclops-0.0.4.whl

نصب پکیج tar.gz ciclops-0.0.4:

pip install ciclops-0.0.4.tar.gz