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

用于训练和测试LENP模型：
输入数据包括：
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（可生成一个或多个输出）：
1. 参数优化（Parameter Optimization）：
输出：针对265种药物的优化参数（半数抑制浓度（IC50）与受试者工作特征曲线下面积（AUC）
2. 自助法（Bootstrapping）：
使用优化后的参数，计算每种药物的预测得分（IC50和AUC）
3. 选取前20个预测基因：
按预测得分对基因进行排序，选取前20个基因。
输出：每种药物的全部基因的预测得分（IC50和AUC）
4. 最终模型构建（Final model construction）：
i. 获取系数：
输出为每个模型中各预测因子的平均系数（IC50和AUC）
ii. 模型性能评估：
采用皮尔逊相关系数（Pearson's correlation coefficients）与肯德尔τ系数（kendall's tau）