Elastic net regression training and testing (LENP)

For training and testing LENP models:Input: Expression matrix: Expression/filtered_lncRNA_z_EXP.csv Drug responses data: drug_res/drug_res_merge.csvOperation: (*lead to one or multi output) 1. Parameter Optimization* Output: optimized parameter for 265 drugs (IC50 and AUC) 2. Bootstrapping Using optimized parameters, compute the predictive scores for each drug (IC50 and AUC) 3. Get top predictive genes* Sort the genes by predictive scores and get top 20 genes. Output: predictive score of all genes for each drug (IC50 and AUC) 4. Final model construction*: i. Get coefficients Output: Average coefficiencts of every predictors in each model (IC50 and AUC) ii. Model performance assessments Pearson's correlation coefficients, kendall's tau

本数据集用于LENP模型的训练与测试：
输入数据：
1. 表达矩阵：Expression/filtered_lncRNA_z_EXP.csv
2. 药物响应数据：drug_res/drug_res_merge.csv

操作流程（可生成单类或多类输出）如下：
1. 参数优化
输出：针对265种药物的优化参数（涵盖半最大效应浓度(IC50)与曲线下面积(AUC)）
2. 自助法计算
基于优化后的参数，计算每种药物的预测得分（涵盖IC50与AUC）
3. 提取Top预测基因
操作：根据预测得分对基因进行排序，选取排名前20的基因；
输出：所有基因针对每种药物的预测得分（涵盖IC50与AUC）
4. 最终模型构建
i. 获取系数
输出：各模型中每个预测因子的平均系数（涵盖IC50与AUC）
ii. 模型性能评估
评估指标包括皮尔逊相关系数(Pearson's correlation coefficients)与肯德尔τ系数(Kendall's tau)