Subtype dependent biomarker identification and tumor classification from gene expression profiles

پروفایل های بیان ژن برای طبقه بندی ژن های بیماری خاص و طبقه بندی انواع مختلف تومور در سطح مولکولی مورد استفاده قرار می گیرند. با توجه به ماهیت ذاتی این داده ها با ابعاد بالا و اندازه نمونه های کوچک، یادگیری ماشین آلات کنونی و تکنیک های آماری فعلی در دستیابی به عملکرد طبقه بندی پیش بینی کننده رضایت بخش در نمونه های بالینی موثر است. روشی معمول برای برخورد با این وضعیت، حذف ژنهای پر سر و صدا از فضای ژن اصلی است. در حال حاضر روش های متعددی برای انتخاب ژن در دسترس وجود دارد، اما اکثر آنها به دنبال پیدا کردن یک زیر مجموعه مشترک از ژن برای همه زیر انواع تومور است و قادر به منعکس کردن ویژگی های منحصر به فرد هر زیر نوع است. در نتیجه، در این مطالعه، ما یک چارچوب کلی را پیشنهاد می کنیم که هدف آن شناسایی زیر مجموعه ای از ژن ها برای هر نوع زیرمجموعه تومور است و همچنین چارچوب گزینش ژن دیگری را که ترکیبی از زیر مجموعه های ژن خاص زیرتیات به یک زیر مجموعه ژن است، ارائه می دهد. سپس یک مدل طبقه بندی متفاوتی برای تشخیص انواع مختلف تومور ارائه می کنیم و سه الگوریتم انتخاب ژن خاص را در دو فریم اجرا می کنیم. در نهایت، نتایج تجربی گسترده در شش ماموریت ریز ریز ارزیابی فرایند انتخاب وابسته به نوع تومور پیشنهادی برای پیش بینی و رتبه بندی زیستی های خاص مولکولی برای تعریف گونه های تومور است. این فرایند جدید به طور قابل توجهی به افزایش عملکرد طبقه بندی پیش بینی تومور کمک می کند.