该研究提出了多组学数据集成的一种新方法,称为 SDGCCA。SDGCCA 能够建模非线性多种组学流形之间的相关结构,旨在改善表型分类并揭示与表型相关的生物标志物。应用于老年痴呆症患者的预测和早期和晚期癌症的区分中,SDGCCA 表现出优异的性能,还能用于特征选取以识别重要的多组学生物标记物。在老年痴呆症数据中,SDGCCA 识别了与老年痴呆症相关的基因簇。
Apr, 2022
通过应用模糊基因选择技术,本研究提出了一个新的肿瘤分类模型,优于标准 MLP 方法,并在生物医学科学领域中提高了基因表达数据的分类准确性。
May, 2023
通过提出一种新的聚类方法,我们可以利用基因表达谱划分癌症亚型,提高聚类效果,并与医学分析方法相结合,进一步证明其与患者生存率的高相关性。
Jun, 2022
本综述介绍了基因表达分析中使用的各种统计和计算工具,以及在数据预处理和分析方面如数据归一化、特征选择和分类等方面的方法和技术,并重点讨论了这些工具的应用。
Feb, 2022
本研究提出了一种新的方法,使用基因表达数据进行癌症分类问题的解决,首先运用信噪比算法筛选出非冗余基因的子集,然后运用多目标粒子群算法进行特征选择,并采用自适应 K 最近邻算法进行癌症分类,从而提高了癌症分类的准确性。
May, 2022
本文介绍了一种新颖的双向耦合聚类方法,用于基因芯片数据的分析:通过基于迭代聚类的算法,找到适合聚类的基因和样本的子集,从而发现在纯数据聚类时被掩盖和隐藏的新的数据分区和相关性;本方法被应用于两个基因芯片数据集,包括结肠癌和白血病数据集。
Apr, 2000
本文提出了一种两阶段正则化方法,能够学习具有高预测性能的线性模型,产生几乎完美嵌套的基因列表以及适合进一步生物学研究,在合成和微阵列数据上的实验结果证实了该方法的有趣性质和潜在性。
Sep, 2008
本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架,应用于基因表达数据和生物网络来进行癌症预后预测,实验结果表明相比于深度神经网络模型,我们的模型取得了更高的准确性,并通过富集分析鉴定了多种癌症类型的贡献基因和通路,从中识别了已知的生物标志和新的生物标志候选物。
Jun, 2023
提出了一种针对可靠染色体分类训练的监督对比学习策略,通过在潜在空间中提取细粒度的染色体嵌入,扩大了类间边界和减少了类内差异,提高了预测染色体类型的准确性,可以显著提升深度网络的泛化性能。
Dec, 2023
文章提出了一种结合遗传算法和深度学习的癌症灵感的基因组绘图模型 (CGMM),用于生成合成基因组以进行研究验证,并证明其在两项不同任务中优于当前四种最先进的基因组生成器,适用于基因组医学的诊断和治疗。