Network-constrained forest for regularized classification of omics data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023736%3A_____%2F15%3A00011374" target="_blank" >RIV/00023736:_____/15:00011374 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21230/15:00230676

Výsledek na webu

<a href="http://www.scopus.com/inward/record.url?eid=2-s2.0-84938420127&partnerID=40&md5=055710ab530bd5461d8db9e0963ca3f0" target="_blank" >http://www.scopus.com/inward/record.url?eid=2-s2.0-84938420127&partnerID=40&md5=055710ab530bd5461d8db9e0963ca3f0</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.ymeth.2015.04.006" target="_blank" >10.1016/j.ymeth.2015.04.006</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Network-constrained forest for regularized classification of omics data

Popis výsledku v původním jazyce

In this paper, we propose a random forest-based classifier that reduces this overfitting with the aid of prior knowledge in the form of a feature interaction network. We illustrate the proposed method in the task of disease classification based on measured mRNA and miRNA profiles complemented by the interaction network composed of the miRNA-mRNA target relations and mRNA-mRNA interactions corresponding to the interactions between their encoded proteins. We demonstrate that the proposed network-constrained forest employs prior knowledge to increase learning bias and consequently to improve classification accuracy, stability and comprehensibility of the resulting model.

Název v anglickém jazyce

Network-constrained forest for regularized classification of omics data

Popis výsledku anglicky

In this paper, we propose a random forest-based classifier that reduces this overfitting with the aid of prior knowledge in the form of a feature interaction network. We illustrate the proposed method in the task of disease classification based on measured mRNA and miRNA profiles complemented by the interaction network composed of the miRNA-mRNA target relations and mRNA-mRNA interactions corresponding to the interactions between their encoded proteins. We demonstrate that the proposed network-constrained forest employs prior knowledge to increase learning bias and consequently to improve classification accuracy, stability and comprehensibility of the resulting model.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/NT14539" target="_blank" >NT14539: XGENE.ORG -- veřejný nástroj integrované analýzy transkripčních, miRNA and metylačních dat</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Methods

ISSN

1046-2023

e-ISSN

—

Svazek periodika

83

Číslo periodika v rámci svazku

[July]

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

10

Strana od-do

88-97

Kód UT WoS článku

000358755100011

EID výsledku v databázi Scopus

2-s2.0-84938420127