文献

J-GLOBAL ID：202002288217898923   整理番号：20A0190958

SGL-SVM 疎群Lassoを用いたサポートベクトルマシンによる腫瘍分類のための新しい方法【JST・京大機械翻訳】

SGL-SVM: A novel method for tumor classification via support vector machine with sparse group Lasso

著者 (11件)： Huo Yanhao (College of Mathematics and Physics, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Huo Yanhao (Artificial Intelligence and Biomedical Big Data Research Center, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Xin Lihui (School of Science, Dalian University of Technology, Panjin 124221, China) ,  Kang Chuanze (College of Mathematics and Physics, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Kang Chuanze (Artificial Intelligence and Biomedical Big Data Research Center, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Wang Minghui (College of Mathematics and Physics, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Wang Minghui (Artificial Intelligence and Biomedical Big Data Research Center, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Ma Qin (Department of Biomedical Informatics, College of Medicine, The Ohio State University, Columbus, Ohio 43210, USA) ,  Yu Bin (College of Mathematics and Physics, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Yu Bin (Artificial Intelligence and Biomedical Big Data Research Center, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Yu Bin (School of Life Sciences, University of Science and Technology of China, Hefei 230027, China)
資料名： Journal of Theoretical Biology  (Journal of Theoretical Biology)
巻： 486  ページ： Null  発行年： 2020年 
JST資料番号： A0288B  ISSN： 0022-5193  CODEN： JTBIA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 現在,遺伝子発現データの徹底的研究によって,臨床医学における腫瘍分類の有意な役割は,より明らかになった。特に,グループ間およびグループ間の遺伝子発現データのまばらな特性。したがって,本論文は,遺伝子のスパース性特性に基づく腫瘍分類の研究に焦点を合わせる。これに基づいて,著者らは,腫瘍分類スパース群レーザ(最小絶対収縮および選択演算子)およびサポートベクトルマシン(SGL-SVM)の新しい方法を提案した。最初に,特徴遺伝子の一次選択をKruskal-Wallis順位和検定を用いて正規化腫瘍データセット上で実行した。第二に,更なる選択のためにまばらなグループLassoを用いて,最後に,サポートベクトルマシンを分類のための分類装置として用いた。著者らは,マイクロアレイとNGSデータセットに関する提案方法をそれぞれ検証した。以前に,3つの2クラスと5つのマルチクラスマイクロアレイデータセットに関して,それを10倍の交差検証によってテストして,他の3つの分類装置と比較した。次に,SGL-SVMをBRCAとGBMデータセットに適用して,5倍の交差検証によってテストした。満足な精度を上記の実験によって得て,他の提案方法と比較した。実験結果は,提案方法がより高い分類精度を達成して,より少ない特徴遺伝子を選択することを示して,それは高次元および小サンプル腫瘍データセットの分類において広く適用することができた。ソースコードとすべてのデータセットは,https://github.com/QUST-AIBBDRC/SGL-SVM/で利用可能である。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： レーザ ,  *腫瘍 ,  *サポートベクトルマシン ,  遺伝子 ,  高次元 ,  正規化 ,  DNAマイクロアレイ ,  特徴選択 ,  分類装置
準シソーラス用語： ソースコード ,  分類精度 ,  マイクロアレイ ,  スパース性 ,  遺伝子発現データ ,  *腫瘍分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 腫瘍分類 ,  遺伝子発現データ ,  特徴選択 ,  スパース群Lasso ,  サポートベクトルマシン

分類 (2件)： 遺伝子発現  (EC02040Q) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (3件)： SVM ,  サポートベクトルマシン ,  腫瘍分類