受信者動作特性曲線エクスプローラーおよびテスター

ROCCET (受信者動作特性曲線エクスプローラーおよびテスター) は、代謝データセットに対してROC (受信者動作特性) 曲線解析を使用してバイオマーカー解析を実行するためのオープンアクセス Web サーバーです。 ^[1] ROCCET は、標準的なバイナリ分類テスト (疾患 vs. コントロール) の実行と評価に特化して設計されています。ROCCET は、臨床/観察変数の有無にかかわらず代謝物データ テーブルを入力として受け入れ、これらの入力データを使用して広範なバイオマーカー解析とバイオマーカー識別を実行します。メニュー ベースのナビゲーション システムを介して動作し、ユーザーは、最大の診断情報またはクラス予測情報を含む臨床変数や代謝物を識別または評価できます。ROCCET は、手動と半自動の両方の特徴選択をサポートし、バイオマーカー モデルで使用されるバイオマーカーの数を最小限に抑えながら、バイオマーカーの感度と特異性を最大化するさまざまな数学モデルを自動的に生成できます。 ROCCET は、順列テスト、ホールドアウト テスト、クロス検証を使用して、新しく発見されたバイオマーカーの品質と堅牢性の厳密な評価もサポートします。

バイオマーカーは、一般的に、生物学的状態または病状の指標として使用できる測定特性として定義されます。遺伝子、化学物質、タンパク質、生理学的パラメータ、画像データ、または組織学的測定値がこれに該当します。バイオマーカーは、単一の成分 (血糖値など) または複数の成分 (アシルカルニチンなどのバイオマーカー パネル) で構成されます。医療用バイオマーカーは、5 つの主なカテゴリに分類されます。1) 診断 (病気または病状があるかどうかを識別するために使用)、2)予後(病気または病状に対してどの程度うまく対処できるかを判断するために使用)、3) 予測 (病気になる可能性があるかどうかを判断するために使用)、4) 有効性またはモニタリング (病気と闘うための薬剤または治療がどの程度効果的かを判断するために使用)、および 5) 曝露 (薬剤、食品、毒素、またはその他の種類の物質に曝露したかどうかを判断するために使用)。優れたバイオマーカーは、優れた感度 (正しく識別された真陽性の割合) と優れた特異度 (正しく識別された真陰性の割合) を示す必要があります。完璧なバイオマーカーまたはバイオマーカーパネルは、感度が 100%（病気のグループの全員が病気であると予測する）かつ特異度が 100%（健康なグループの誰も病気であると予測しない）です。しかし、人生で完璧なものはほとんどないため、感度と特異度の間にはトレードオフが生じることがよくあります。医療バイオマーカー研究では、受信者動作特性（ROC）曲線を使用して、感度と特異度のトレードオフを報告することがますます一般的になっています。 ^[2] ROC曲線は、バイオマーカーの感度をy軸に、偽発見率（1-特異度）をx軸にプロットします。さまざまなROC曲線のイメージを図1に示します。ROC曲線は、感度と特異度の最適な組み合わせについて、バイオマーカーまたはバイオマーカーの組み合わせの境界限界（または分離しきい値）を視覚的に簡単に判断できる方法を提供します。 ROC曲線のAUC（曲線下面積）は、バイオマーカー（またはバイオマーカー群）の全体的な精度と分離性能を反映しており、^[3]異なるバイオマーカーの組み合わせやモデルを比較するために容易に使用できます。^[4]経験則として、ROC曲線のAUCを最大化するために使用するバイオマーカーが少ないほど、優れています。

ROCCET の ROC 曲線生成および分析は、メタボロミクスデータセットに特化して調整されています。高スループット分析化学技術によって生成されるメタボロミクスデータ セットは、通常、複数のサンプルの複数の値を含む大規模なマトリックスで構成されます。データ内のサンプルのグループ間またはサブセット間の比較には、通常、単変量解析および多変量解析(部分最小二乗判別分析(PLS-DA) ^[5]など)または機械学習分類手順 (サポート ベクター マシン (SVM) ^[6]など) を使用する統計手順 が含まれます。その結果、ROCCET は、単変量モジュールと多変量モジュールの 2 種類の分析モジュールを提供します。単変量モジュールでは、単一の変数が ( t 検定によって) 評価され、信頼区間(CI) および計算された最適しきい値を含む分離パフォーマンス (ROC の AUC) に基づいてランク付けされます。多変量モジュールでは、SVM (サポートベクターマシン)、PLS-DA (部分最小二乗 判別分析)、ランダムフォレストの3つの異なる手法から選択して、代謝物または臨床変数を分類および選択し、最適な ROC パフォーマンスを得ることができます。結果の分析では、ROC 曲線の特性に基づいて、最もパフォーマンスの高い多変数モデルが生成されます。このモジュールでは、モデルに寄与する重要な変数 (臨床変数および/または代謝物) も表示されます (「ROC エクスプローラー」経由)。ROCCET では、特定のバイオマーカー モデルに含める特定の変数を手動で選択するオプションもサポートされています。これらの変数は、「ROC テスター」を使用して分析できます。ROCCET では、順列テスト、ホールドアウト テスト、クロス検証を使用して、新しく発見されたバイオマーカーまたはバイオマーカー パネルの品質と堅牢性を厳密に評価することもできます。 ROCCETは、ジャーナルに適したさまざまなカラフルなグラフや表を生成し（図1と図2を参照）、表（CSV形式）、グラフ（PNGまたはPDF）、Rファイルとしての処理履歴（単純なテキストファイルとして読み取ることができる）など、生成されたすべてのファイルをダウンロードできます。ROCCETの使用に関するチュートリアルは、次の参考文献で提供されています。^[1]ツールを試すためのトレーニングデータセットは、ROCCETのWebサイトで入手できます。

• 受信者動作特性
• メタボロミクス
• バイオマーカー（医薬品）
• 感度と特異度
• 生物学
• 微生物学
• 一変量
• 多変量
• バイオマーカー