Штучний інтелект

Анотація: У статті розглядається алгоритм ранжирування генів, отриманих з використанням технології мікрочіпів. Вектор рангів розраховується шляхом проведення класифікацій випадкових вибірок з аналізованого набору даних. На кожній подальшій ітерації алгоритму ранг генів, що беруть участь в успішній класифікації, підвищується. На відміну від раніше використовуваних підходів алгоритм дозволяє підвищити уза- гальнювальні властивості класифікаційних моделей за рахунок побудови збалансованих навчальних вибірок, а також врахувати інформативність комбінації генів шляхом оцінки їх підмножин.

Ключові слова: ранжирування атрибутів, біомаркер, класифікація, експресія генів

Посилання:

1. Liu X. An entropy-based gene selection method for cancer classification using microarray data / X. Liu,
2. A. Krishnan, A. Mondry // BMC Bioinformatics. – 2005. – Vol. 6, No 76.
3. Novoselov NA Methods for analysis of gene expression data. Overview and prospects for development
4. (Novoselova, NA Methods for gene expression analysis. Survey and perspective directions) / N. Novoselov,
5. IE Tom. - LAMBERT Academic Publishing GmbH & Co. - 2012. - 68 p. - ISBN 978-3-659-16145-2.
6. Dougherty E.R. Performance of feature selection methods / E.R. Dougherty, J. Hua, C. Sima // Curr
7. Genomics. – 2009. – Vol. 10. – P. 365-374.
8. Wang Y. Gene selection from microarray data for cancer classification a machine learning approach /
9. Y. Wang, I.V. Tetko, M.A. Hall // Comp Biol Chem. – 2005. – Vol. 29. – P. 37-46.
10. Kohavi R. Wrapper for feature subset selection / R. Kohavi, G. John // Artificial Intelligence. – 1997. –
11. Vol. 97, No 1-2. – P. 273-324.
12. An efficient and robust statistical modeling approach to discover differentially expressed genes using
13. genomic expression profiles / [Thomas J.G., Olson J.M., Tapscott S.J., Zhao L.P.] // Genome
14. Res. -2001. – Vol. 11. – P. 1227-1236.
15. Antoniadis A. Effective dimension reduction methods for tumor classification using gene expression
16. data / A. Antoniadis, S. Lambert-Lacroix, F. Leblanc // Bioinformatics. – 2003. – Vol. 19. – P. 563-570.
17. Filter versus wrapper gene selection approaches in DNA microarray domains / [Inza I., Larranaga P.,
18. Blanco R., Cerrolaza, A.] // Artif. Intell. Med. – 2004. – Vol. 31, No 2. – P. 91-103.
19. Xiong M. Biomarker identification by feature wrappers / M. Xiong, Z. Fang, J. Zhao // Genome
20. Research. -2001. – Vol. 11. – P. 1878-1887.
21. Saeys Y. A review of feature selection techniques in bioinformatics / Y. Saeys, I. Inza, P. Larranaga //
22. Bioinformatics. – 2007. – Vol. 23. – P. 2507-2517.
23. Diagnosis of multiple cancer types by shrunken centroids of gene expression / [Tibshirani R., Hastie T.,
24. Narasimhan B., Chu G.] // Proc Natl Acad Sci U S A. – 2002. – Vol. 99. – P. 6567-6572.
25. Molecular classification of Cancer:class discovery and class prediction by gene expression monitoring /
26. [Golub T.R., Slonim D.K., Tamayo P. et al.] // Nature. – 1999. – Vol. 286. – P. 531-537.
27. Dudoit S. Comparison of discrimination methods for the classification of tumors using gene expression
28. data / S. Dudoit, J. Fridlyand, T. Speed // J Am Stat Assoc. - 2002. – Vol. 97. – P. 77-87.
29. Whitehead Institute Center for Genomic Research: cancer genomics [Электронный ресурс]. – Режим
30. доступа : http://www-genome.wi.mit.edu/cancer
31. Optimization Based Tumor Classification from Microarray Gene Expression Data / [Dagliyan O., Uney-
32. Yuksektepe F., Kavakli I.H., Turkay M.] ; [Электронный ресурс] // PLoS ONE. – 2011. – No 6(2). –
33. Режим доступа : e14579. doi:10.1371/journal.pone.0014579.
34. Optimization models for cancer classification extracting gene interaction information from microarray
35. expression data / [Antonov A., Tetko I.V., Mader M.T. et al.] // Bioinformatics. – 2004. – Vol. 20. –
36. P. 644-652.
37. Dettling M. Supervised clustering of genes / M. Dettling, P. Buhlmann [Электронный ресурс] //
38. Genome Biol. – 2002. – Vol. 3. – Режим доступа : research0069.1–0069.15.
39. Biomarker discovery in microarray gene expression data with gaussian processes / [Chu W., Ghahramani
40. Z., Falciani F., Wild D.L.] // Bioinformatics. – 2005. – Vol. 21. – P. 3385-3393.
41. Yang A.J. Bayesian variable selection for disease classification using gene expression data / A.J. Yang,
42. X.Y. Song // Bioinformatics. – 2010. – Vol. 26. – P. 215-222.
43. Gene selection from microarray data for cancer classification – a machine learning approach / [Y. Wang
44. et al.] // Comput. Biol. Chem. – 2005. – Vol. 29, No 1. – P. 37-46.