谁有生物数据，最好是人类疾病相关

liuyanyxy

在做一种方法分析人类疾病的数据。最终目的是针对某一总biomarker，找到一个最优的cutoff,如果人体内这种biomarker含量大于cutoff，就判定为positive（5%的概率误诊）。现在方法做完了，差实际数据分析，有实际数据支撑的话就perfect了。有没有covariate information都可以的。如果可以提供数据，可以一起发paper[s:17]

doctorjxd

这种方法验证的研究，最好是用有可靠结论的公用数据。大家的不同算法，在同一数据下也好比较。

楼主可以用 lasso 的糖尿病数据。

mengchen

感觉lz想的问题有点简单了, 或者是篇幅有限没能表述完全. 读过楼主的描述后还有点地方不太清除:

1. 这个分析方法具体是一个什么方法?筛选biomarker,或者是一个利用已知biomarker进行预测的新算法, 或者是利用数据对一个已知算法的cutoff进行优化, 还是这几种的组合?

2. LZ理想中的数据是什么类型, 高通量数据还是底通量试验方法的数据? biomarker是什么, 基因突变? mRNA? 蛋白质? 小分子化合物? ...

3. LZ是想要对健康人预测疾病的发生还是某些疾病的预后, 比如对药物敏感性的问题. 这个问题关系到数据应该从患者体内得到或者是健康人体内得到.

4. 这个研究是注重实用还是方法验证, 注重实用的话则应该使用血液, 唾液, 尿液等易于得到的组织. 但是如果仅仅需要方法验证的话, 取得样品的困难程度就不需要有太多考虑.

5. LZ是想通过误诊率为指标来优化 cutoff 吗? 如果用误诊率来判定疾病预测算法是毫无意义的. 对于少见疾病来说, 只需要永远预测疾病不发生误诊率就不会高于 5%, 因为疾病发生的概率本身就小于 5%, 所以至少要用 ROC 来选择 cutfoff.

数据多的是, 但是要先弄明白这些基本问题之后, 才能找到合适的数据.

liuyanyxy

回复第3楼的 mengchen：恩。确实是我的疏忽，没有解释清楚。

现阶段还是在做单一的biomarker。

如果使用的是individual的样本，现在有很多算法来分析这一类的数据，寻找最优的cutoff。我们的方法，适用于pooled data。就是得到的是把几个样本混合起来后测到的biomarker level。根据这些pooled的data，应用我们的算法，算出cutoff.比较根据pooled data算出来的cutoff和根据individual data 算出的cutoff，差别大不大。

理想的数据类型：两组数据，一组是健康人的biomarker level，另一组是确诊得病的人的biomarker level。一种或多种biomarker 都可以。

关于选择cutoff，确实是要根据ROC，AUC来选择。

大家谁有这方面的数据吗？或者知道去哪里寻找这方面的数据吗？

谢谢

enthumelon

回复第4楼的 liuyanyxy：如果是retrospective的这个显然不行吧？如果是observed，那样本量要多大啊？做AUC大约就是算Wilcoxon rank test,在罕发样本中可行不？寻求最优cut-off此时会和很麻烦的那个imbalanced data扯上关系，因为你大约就是在估计logistic的intercept项，这个吧...叫我怎么说呢。

回到pooled data，除非疾病概率很大或者pool内obs非常多，此时不能用正态族逼近，计算上就要去考虑离散而不是连续...此外，pool内大约也是iid假定（或者独立假定），没有特别的意思。

mengchen

回复第4楼的 liuyanyxy：

直接给你几个存储生物数据的数据库吧，还是不太确定是否符合你的要求，可以看一下（这些都是高通连数据，也就是说，每个数据中都有成千上万的生物分子的表达量，所以必须要有candidate biomarker）：

1. NCBI-GEO：

http://www.ncbi.nlm.nih.gov/geo/

主要是 microarray 和 RNA-seq 的转录组学数据，各种疾病都有，关键词搜索即可。

2. TCGA：

https://tcga-data.nci.nih.gov/tcga/tcgaHome2.jsp

主要是各种癌症的组学数据，mRNA，miRNA，protein 等等都有。

liuyanyxy

回复第5楼的 enthumelon：恩。pool内只要做independent的假设。我们的方法就是扩展了normal分布。用我们的方法，其它分布都可以做了，比如gamma，lognormal，weibull。只要有了分布的假设，AUC，ROC都可以算不来，不用做非参的方法。几百个样本就够了，不用要求大样本。

另外请教几个问题啊，因为我是做统计理论的，实际的东西比较薄弱。

pool的时候，independent的假设不合理吗？

算cutoff，如果是在parametric frame下，用youden index来选择cutoff，貌似不涉及疾病的发病率之类的问题啊？

十分感谢

liuyanyxy

回复第6楼的 mengchen：十分感谢。另外还有一个问题想请教一下啊

算cutoff，如果是在parametric frame下，用youden index来选择cutoff，貌似不涉及疾病的发病率之类的问题啊？

enthumelon

回复第7楼的 liuyanyxy：大约情形是这样的，

1. 如果你做parametric model, 那么分布假定必须要“合理”，因为你在求MLE（或者别的loss function），或者退而求其次：M－估计。但是你确实没法知道你拿到的分布是什么样子的。所以模型的稳定性有待考察。

2. Pool之后，能看到的数据由CLT可以得到正态逼近（当然如你所说也可能是ExtValueDist的），但是这个假定的前提是独立假定，虽然不独立也能做下去，但是做参数估计的时候会很头痛的。如果你直接假设样本是连续的，好像不是那样吧？当然你可以把它当成一个可以灌水的坑。

3. youden index的问题：取决于你的实验设计是observed还是retrospective的，obs的情形，能观测的疾病数量极其稀少，我原先的想法在于不做transform做pool的CLT，所以有此疑问。restro的情形，cuttoff应该不是那么重要吧，因为本来就估计不准。

roena

回复第1楼的 liuyanyxy：质量好的公共卫生数据非ＮＨＡＮＥＳ莫属了！biomarkers 很多，看你感兴趣哪方面了。医学背景知识不可少啊。