PLoS ONE: Semi-Valvottu Projektiivinen ei-negatiivinen Matrix Tekijöihin for Cancer Luokitus
tiivistelmä
edistysaskeleet DNA-siru teknologiat ovat tehneet geeniekspressioprofiilien merkittävä ehdokas tunnistaa erilaisia syöpiä. Perinteinen oppiminen-pohjainen syöpä tunnistusmenetelmiä käyttää leimattuja näytteitä kouluttaa luokittelija, mutta ne ovat hankalia käytännön sovelluksiin koska tarrat ovat melko kalliita syövän kliininen tutkimusyhteisö. Tässä asiakirjassa ehdotetaan puoliksi valvottu projektiivisen ei-negatiivinen matriisin tekijöihin jako menetelmä (Semi-PNMF) oppia tehokas luokittelija sekä merkityt että merkitsemättömät näytteet, mikä lisää myöhemmin syöpä luokituksen suorituskykyä. Erityisesti Semi-PNMF yhdessä oppii ei-negatiivinen aliavaruus päässä ketjutettu leimattu ja leimaamaton näytteitä ja osoittaa luokkiin kannat mahdollisimman merkinnät niiden kertoimia. Koska Semi-PNMF sisältää tilastotietoja suuresta määrästä leimaamattoman näytteiden oppinut aliavaruus, se voi oppia lisää edustavan subspaces ja parantaa luokituksen suorituskykyä. Olemme kehittäneet multiplikatiivinen päivityssääntö (MUR) optimoimiseksi Semi-PNMF ja osoittanut lähentymistä. Kokeelliset tulokset syövän luokituksen kaksi osuuslajeja syövän geeniekspressioprofiili aineistoja osoittavat, että Semi-PNMF päihittää edustaja menetelmiä.
Citation: Zhang X, Guan N, Jia Z, Qiu X, Luo Z (2015) Osittain -Supervised projektiivinen ei-negatiivinen Matrix Tekijöihin Cancer luokitus. PLoS ONE 10 (9): e0138814. doi: 10,1371 /journal.pone.0138814
Editor: Ramin Homayouni, University of Memphis, Yhdysvallat