Cross validation으로 샘플을 나눠서 lasso regression을 수행한 결과.
x축: 페널티값으로 값이 클수록 페널티가 강해지고 더 많은 변수들의 계수가 0으로 축소된다.
y축: 모델의 예측 오차를 나타낸다. 값이 작을수록 모델의 성능이 좋다.
오차막대: k-fold를 진행하면서 해당 람다 값에서 오차에 대한 표준 편차. 막대가 작을수록 높은 신뢰도를 의미한다.
상단 숫자: 각 람다값에서 선택된 변수들의 수
왼쪽 점선: 최소 binomial deviance를 달성하는 람다값의 위치
오른쪽 점선: 람다값이 증가해도 모델 성능에 큰 변화가 없는 가장 단순한 모델을 선택한 람다 값.
DAVID 분석 예시
GOTERM_BP_
1에서 5로 내려갈수록 1에 포함되는 process이지만 더 자세한 process라고 할 수 있다.
* Ref.2의 '9. Why are there different levels for GO Annotation?' 참고
* BP_ALL: 1~5 결과 총합으로 P-value는 유지되지만 P-value를 adjust하는 pathway set수가 달라지기 때문에 adj-P value는 변동이 있음.
GOTERM_BP_FAT
GO FAT filters out very broad GO terms based on a measured specificity of each term (not level-specificity) and this way reduces the dependency between the terms.
GOTERM_BP_Direct
New GO category (GO Direct) provides GO mappings directly annotated by the source database (no parent terms included)
The Fold Enrichment is defined as the ratio of the two proportions. For example, if 40/400 (i.e. 10%) of your input genes involved in "kinase activity" and the background information is 300/30000 genes (i.e. 1%) associating with "kinase activity", roughly 10% / 1% = 10 fold enrichment.
[Reference]
[1] https://david.ncifcrf.gov/content.jsp?file=release.html
[2] https://david.ncifcrf.gov/content.jsp?file=FAQs.html
[3] https://david.ncifcrf.gov/helps/functional_annotation.html#summary