Explorador y probador de la curva característica de funcionamiento del receptor

El Explorador y Probador de Curvas de Características Operativas del Receptor ( ROCCET ) es un servidor web de acceso abierto para realizar análisis de biomarcadores utilizando análisis de curvas ROC (Curva de Características Operativas del Receptor ) en conjuntos de datos metabolómicos. ^{[ 1 ]} ROCCET está diseñado específicamente para realizar y evaluar una prueba de clasificación binaria estándar (enfermedad vs. control). ROCCET acepta tablas de datos de metabolitos, con o sin variables clínicas/observacionales, como entrada y realiza un análisis e identificación de biomarcadores exhaustivos utilizando estos datos de entrada. Funciona a través de un sistema de navegación basado en menús que permite a los usuarios identificar o evaluar aquellas variables clínicas y/o metabolitos que contienen la máxima información diagnóstica o predictiva de clase. ROCCET admite la selección de características tanto manual como semiautomática y es capaz de generar automáticamente una variedad de modelos matemáticos que maximizan la sensibilidad y especificidad del/de los biomarcador(es) al tiempo que minimizan el número de biomarcadores utilizados en el modelo de biomarcadores. ROCCET también respalda la evaluación rigurosa de la calidad y la robustez de los biomarcadores recién descubiertos mediante pruebas de permutación, pruebas de validación cruzada y validación independiente.

Los biomarcadores se definen comúnmente como características medibles que pueden utilizarse como indicadores de algún estado o condición biológica. Pueden ser genes, sustancias químicas, proteínas, parámetros fisiológicos, datos de imágenes o mediciones histológicas. Los biomarcadores pueden constar de un solo componente (p. ej., glucosa en sangre) o de múltiples componentes (un panel de biomarcadores como las acilcarnitinas). Los biomarcadores médicos se clasifican en cinco categorías principales: 1) diagnóstico (para identificar si se padece una enfermedad o afección); 2) pronóstico (para determinar la evolución de la enfermedad o afección); 3) predictivo (para determinar la probabilidad de desarrollar la enfermedad); 4) eficacia o monitorización (para determinar la eficacia de un fármaco o tratamiento en la lucha contra la enfermedad); y 5) exposición (para determinar si se ha estado expuesto a un fármaco, alimento, toxina u otra sustancia). Los buenos biomarcadores deben presentar una buena sensibilidad (la proporción de verdaderos positivos correctamente identificados) y una buena especificidad (la proporción de verdaderos negativos correctamente identificados). Un biomarcador o panel de biomarcadores perfecto sería 100% sensible (prediciendo que todas las personas del grupo de enfermos están enfermas) y 100% específico (no prediciendo que nadie del grupo de sanos está enfermo). Sin embargo, como pocas cosas en la vida son perfectas, a menudo existe una compensación entre sensibilidad y especificidad. En los estudios de biomarcadores médicos, es cada vez más común informar esta compensación en sensibilidad y especificidad utilizando una curva de características operativas del receptor (curva ROC). ^{[ 2 ]} Las curvas ROC representan la sensibilidad de un biomarcador en el eje y, frente a la tasa de falsos descubrimientos (1 - especificidad) en el eje x. En la Figura 1 se muestra una imagen de diferentes curvas ROC. Las curvas ROC proporcionan un método visual simple para determinar el límite (o umbral de separación) de un biomarcador o una combinación de biomarcadores para la combinación óptima de sensibilidad y especificidad. El AUC (área bajo la curva) de la curva ROC refleja la precisión general y el rendimiento de separación del biomarcador (o biomarcadores) ^{[ 3 ]} , y puede utilizarse fácilmente para comparar diferentes combinaciones o modelos de biomarcadores ^{[ 4 ]} . Como regla general, cuantos menos biomarcadores se utilicen para maximizar el AUC de la curva ROC, mejor.

La generación y el análisis de curvas ROC de ROCCET están específicamente diseñados para conjuntos de datos metabolómicos . Los conjuntos de datos metabolómicos producidos por técnicas de química analítica de alto rendimiento suelen consistir en grandes matrices que contienen múltiples valores para múltiples muestras. La comparación entre grupos o subconjuntos de muestras dentro de los datos generalmente implica procedimientos estadísticos que emplean análisis univariado y multivariado, como el Análisis Discriminante de Mínimos Cuadrados Parciales (PLS-DA) ^{[ 5 ]} o procedimientos de clasificación de aprendizaje automático, como la Máquina de Vectores de Soporte (SVM) ^{[ 6 ]} . Como resultado, ROCCET ofrece dos tipos diferentes de módulos analíticos: un módulo univariado y un módulo multivariado. En el módulo univariado, las variables individuales se evalúan (mediante una prueba t ) y se clasifican según su rendimiento de separación (es decir, el AUC de la ROC), incluyendo intervalos de confianza (IC) y un umbral óptimo calculado. En el módulo multivariante se puede elegir entre tres técnicas diferentes: SVM ( máquina de vectores de soporte ), PLS-DA ( análisis discriminante de mínimos cuadrados parciales ) y bosques aleatorios para clasificar y seleccionar metabolitos o variables clínicas para un rendimiento ROC óptimo. El análisis resultante produce el o los modelos multivariantes de mejor rendimiento en función de las características de su curva ROC. Este módulo también presenta las variables significativas (variables clínicas y/o metabolitos) que contribuyen al modelo (a través del "explorador ROC"). ROCCET también admite la opción de seleccionar manualmente variables específicas para incluirlas en un modelo de biomarcador determinado. Estas variables se pueden analizar utilizando el "probador ROC". ROCCET también admite la evaluación rigurosa de la calidad y robustez de los biomarcadores o paneles de biomarcadores recién descubiertos mediante pruebas de permutación, pruebas de retención y validación cruzada. ROCCET genera una variedad de gráficos y tablas coloridos, listos para su publicación (véanse las figuras 1 y 2), y permite descargar todos los archivos generados, incluidas las tablas ( formato CSV ), los gráficos ( PNG o PDF ) y el historial de procesamiento como un archivo R (que se puede leer como un archivo de texto simple). En la siguiente referencia se ofrece un tutorial sobre el uso de ROCCET. ^{[ 1 ]} Los conjuntos de datos de entrenamiento están disponibles en el sitio web de ROCCET para experimentar con la herramienta.

• curva ROC
• Metabolómica
• Biomarcador (medicina)
• Sensibilidad y especificidad
• Biología
• Microbiología
• Univariado
• Multivariado
• Biomarcador