Sep, 2018

使用非负矩阵分解进行癌症分类及通路发现

PDF
TL;DR该研究提出了一种新的方法，利用多项逻辑回归、非平滑非负矩阵分解 (nsNMF) 和支持向量机 (SVM) 等算法，从全序列数据中提取遗传信息以更好地预测癌症类型。实验表明，该方法在突变计数、突变得分等方面均表现优异，可用于其他疾病分类和通路发现研究。
genetic mutationscancer type predictionsequencing datansnmfsvm
发现论文，激发创造
  • 非负矩阵分解的深度展开及在突变特征分析中的应用

    通过发展 NMF 及其正则化变体的展开深度网络，我们在监督和无监督的情况下将其应用于不同的突变数据集以重建其基础突变特征以及暴露情况，实验证明与标准公式相比，我们的方法在分析模拟和真实突变数据方面具有更高的准确性。

    Aug, 2021

  • 应用拓扑非负矩阵分解分析单细胞 RNA 测序

    通过引入顶 ological NMF 和 robust topological NMF 方法，并利用 12 个数据集进行验证，我们证明了提出的 TNMF 和 rTNMF 明显优于其他基于 NMF 的方法，并在可视化中使用 TNMF 和 rTNMF 进行了 Uniform Manifold Approximation and Projection (UMAP) 和 t-distributed stochastic neighbor embedding (t-SNE)。

    Oct, 2023

  • 基于非负矩阵分解的多模态多视角聚类

    通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

    Aug, 2023

  • 预测基因突变的功能丧失影响：一种机器学习方法

    本文研究了利用下一代测序技术进行基因组测序以及使用机器学习模型预测 LoFtool 分数和基因突变的相关特性，通过建立多个模型并评估其性能，得到了测试集 r 平方值为 0.97 的结果。

    Jan, 2024

  • PANTHER: 增强通路非负张量分解用于高阶特征学习

    为构建更准确、更好解释的遗传医学机器学习模型，我们引入了 “PANTHER”，一种通常由 molecular mechanisms 编码的遗传途径的高阶特征学习的非负张量分解技术，我们将 “PANTHER” 应用于疾病类型的 softmax 分类器训练中，并对其进行了评估

    Dec, 2020

  • 贝叶斯均值参数化非负二进制矩阵分解

    本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

    Dec, 2018

  • 医学影像中的非负子空间特征表示

    利用少样本学习，探讨在医学图像中通过数据属性表达在低维空间的非负矩阵因式分解 (NMF) 的有效性，实验证明 NMF 是医学图像中少样本学习的一种竞争性替代方案，尤其是用于检测限制样本医学图像中异常区域的有监督 NMF 算法的效果更具区分度。

    Apr, 2024

  • 自编码器与非负矩阵分解的关系及其在突变特征提取中的应用

    通过对非负矩阵因式分解 (NMF) 和非负自动编码器之间的关系进行详细探究，发现这两种模型之间的连接可以通过凸 NMF 建立，该模型是自动编码器的特例。在从癌症基因组数据中提取突变特征的背景下，将 NMF 和自动编码器的性能进行比较，结果显示 NMF 基于重构的准确性优于自动编码器，而使用两种方法提取的特征在外部验证时表现出可比性和一致性，这表明本文中研究的非负自动编码器在突变特征提取领域并没有改进 NMF 的效果。

    May, 2024

  • 连续半监督非负矩阵分解

    本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

    Dec, 2022

  • 基于深度学习模型的模糊基因选择和癌症分类

    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