کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6868657 | 1440030 | 2018 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Sparse pathway-based prediction models for high-throughput molecular data
ترجمه فارسی عنوان
مدل پیش بینی مبتنی بر مسیریابی متناسب با داده های مولکولی با توان بالا
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
احتمال سلسله مراتبی، گروه های همپوشانی، مدل تصادفی، انتخاب متغیر ساختاری
ترجمه چکیده
مشکلات پیش بینی مبتنی بر مسیر برای داده های مولکولی با توان بالا، باعث ایجاد مدل های محدود و محدود با پیش بینی متغیرهای ساختاری می شوند. به طور مستقیم مطلوب است که اطلاعات ساختاری را در فرایند ساخت مدل بکار ببریم، به طور بالقوه برای بهبود هر دو عملکرد تفسیری و پیش بینی. مدل های مختلف تصادفی برای پیش بینی ساختاری پراکنده که در آن متغیرهای پیش بینی / ژن ها به صورت طبیعی به گروه ها یا مسیرهای همپوشانی تقسیم می شوند، توسعه می یابد. رویکرد احتمال احتمال سلسله مراتبی می تواند برای این مدل های تصادفی که برای انتخاب گروه های همپوشان و همچنین انتخاب بیشتر در گروه های انتخاب شده اعمال می شود، استفاده شود. علاوه بر این، رویکرد منجر به یک الگوریتم بهینه سازی یکپارچه برای این مدل های تصادفی می شود. مطالعات عددی گسترده براساس اطلاعات شبیه شده و واقعی سرطان سینه نشان می دهد که روش های پیشنهادی به خوبی در برابر روش های موجود که اطلاعات ساختاری را نادیده می گیرند، به خوبی عمل می کنند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
Pathway-based prediction problems for high-throughput molecular data motivate the development of sparsity-constrained models with structured predictive variables. Intuitively it is desirable to incorporate the structural information into the model building procedure, potentially for improving both interpretability and prediction performances. Various random-effect models are developed for structured sparse prediction where the predictive variables/genes can be naturally grouped into overlapping groups or pathways. The hierarchical likelihood approach can be used for these random-effect models that impose sparse selection of the overlapping groups as well as further selection within the selected groups. In addition, the approach leads to a unified optimization algorithm for these random-effect models. Extensive numerical studies based on simulated and real breast-cancer data demonstrate that the proposed methods perform well against existing methods that ignore the structural information.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 126, October 2018, Pages 125-135
Journal: Computational Statistics & Data Analysis - Volume 126, October 2018, Pages 125-135
نویسندگان
Sangin Lee, Youngjo Lee, Yudi Pawitan,