• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Computational intelligence methods for bioinformatics and biostatistics >Penalized Principal Component Analysis of Microarray Data
【24h】

Penalized Principal Component Analysis of Microarray Data

机译：微阵列数据的罚主成分分析

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The high dimensionality of microarray data, the expressions of thousands of genes in a much smaller number of samples, presents challenges that affect the validity of the analytical results. Hence attention has to be given to some form of dimension reduction to represent the data in terms of a smaller number of variables. The latter are often chosen to be a linear combinations of the original variables (genes) called metagenes. One commonly used approach is principal component analysis (PCA), which can be implemented via a singular value decomposition (SVD). However, in the case of a high-dimensional matrix, SVD may be very expensive in terms of computational time. We propose to reduce the SVD task to the ordinary maximisation problem with an Euclidean norm which may be solved easily using gradient-based optimisation. We demonstrate the effectiveness of this approach to the supervised classification of gene expression data.
机译：微阵列数据的高维性，少量样品中成千上万个基因的表达，带来了影响分析结果有效性的挑战。因此，必须注意某种形式的降维以较小数量的变量表示数据。后者通常被选择为称为元基因的原始变量（基因）的线性组合。一种常用的方法是主成分分析（PCA），可以通过奇异值分解（SVD）来实现。但是，在高维矩阵的情况下，SVD在计算时间方面可能非常昂贵。我们建议使用欧几里得范数将SVD任务简化为普通的最大化问题，使用基于梯度的优化可以轻松解决。我们证明了这种方法对基因表达数据的监督分类的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号