Αφηρημένο

Η πρόοδος στις τεχνολογίες των μικροσυστοιχιών DNA έκαναν γονιδιακή έκφραση προφίλ σημαντικό υποψήφιο για τον εντοπισμό διαφορετικών τύπων καρκίνου. Οι παραδοσιακές μέθοδοι ταυτοποίησης του καρκίνου μάθησης που βασίζεται χρησιμοποιούν σημασμένα δείγματα για την εκπαίδευση ενός ταξινομητή, αλλά είναι ενοχλητικό για την πρακτική εφαρμογή επειδή οι ετικέτες είναι αρκετά ακριβά στην κλινική έρευνα για τον καρκίνο κοινότητα. Αυτό το έγγραφο προτείνει μια προβολική μη αρνητική μέθοδος ημι-εποπτεύονται παραγοντοποίηση της μήτρας (Semi-PNMF) για να μάθετε μια αποτελεσματική ταξινομητή από και χωρίς ετικέτες δείγματα, ενισχύοντας έτσι την μετέπειτα απόδοση ταξινόμησης του καρκίνου. Ειδικότερα, Ημι-PNMF μαθαίνει από κοινού ένα μη-αρνητικό subspace από συνεχόμενα και χωρίς ετικέτες δείγματα και υποδεικνύει τις κατηγορίες από τις θέσεις των ανώτατων εγγραφές των συντελεστών τους. Επειδή Ημι-PNMF ενσωματώνει στατιστικά στοιχεία από το μεγάλο όγκο των μη επισημασμένων δειγμάτων στον έμαθε υποχώρο, μπορεί να μάθει πιο αντιπροσωπευτικό subspaces και να ενισχύσει την απόδοση ταξινόμησης. Έχουμε αναπτύξει ένα πολλαπλασιαστικό κανόνα ενημέρωσης (MUR) για τη βελτιστοποίηση Ημι-PNMF και απέδειξε τη σύγκλιση της. Τα πειραματικά αποτελέσματα της ταξινόμησης του καρκίνου του για δύο multiclass σύνολα δεδομένων προφίλ γονιδιακής έκφρασης του καρκίνου δείχνουν ότι Ημι-PNMF ξεπερνά τις αντιπροσωπευτικές μεθόδους

Παράθεση:. Zhang Χ, Guan Ν, Jia Ζ, Qiu Χ, Luo Z (2015) Ημι -Supervised Προβολική μη-Αρνητική Matrix Παραγοντοποίηση για την Ταξινόμηση Καρκίνου. PLoS ONE 10 (9): e0138814. doi: 10.1371 /journal.pone.0138814

Επιμέλεια: Ramin Homayouni, Πανεπιστήμιο του Μέμφις, Ηνωμένες Πολιτείες