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

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023

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

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

本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间，并使用学习的特征训练 Cox 模型来预测肿瘤预后，提高了肿瘤预后的准确性。

Jun, 2023

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

该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。

Dec, 2016

该研究对多种特征选择方法在乳腺癌预后方面的预测性能、稳定性和功能可解释性进行了比较，发现简单的过滤方法通常优于复杂的嵌入或包装方法，集成特征选择通常没有积极影响，最终得出平均而言简单的 Student's t-test 提供了最佳结果。

Jan, 2011

本文提出一种使用 BERT 和文本处理方法编码基因功能，并将其进行多维数据降维和聚类，以优化 mRNA 测序中基因数据分析流程的方法。通过对 180 种不同方法的性能评估选择最高效的流程，并通过聚类指数和专家评审进行了评估。

Jul, 2022

通过整合多个基因表达数据集和领域特定知识，利用知识图谱嵌入方法生成向量表示，并用于分类器，本研究提出了一种新的方法，改善了糖尿病预测。

Apr, 2024