Sparse pathway-based prediction models for high-throughput molecular data

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.