Comparative Evaluation of Set-Level Techniques in Microarray Classification
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F11%3A00181929" target="_blank" >RIV/68407700:21230/11:00181929 - isvavai.cz</a>
Výsledek na webu
<a href="http://labe.felk.cvut.cz/~zelezny/pubs/isbra11b.pdf" target="_blank" >http://labe.felk.cvut.cz/~zelezny/pubs/isbra11b.pdf</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparative Evaluation of Set-Level Techniques in Microarray Classification
Popis výsledku v původním jazyce
Analysis of gene expression data in terms of a priori-defined gene sets typically yields more compact and interpretable results than those produced by traditional methods that rely on individual genes. The set-level strategy can also be adopted in predictive classification tasks accomplished with machine learning algorithms. Here, sample features originally corresponding to genes are replaced by a much smaller number of features, each corresponding to a gene set and aggregating expressions of its members into a single real value. Classifiers learned from such transformed features promise better interpretability in that they derive class predictions from overall expressions of selected gene sets (e.g. corresponding to pathways) rather than expressions of specific genes. In a large collection of experiments we test how accurate such classifiers are compared to traditional classifiers based on genes.
Název v anglickém jazyce
Comparative Evaluation of Set-Level Techniques in Microarray Classification
Popis výsledku anglicky
Analysis of gene expression data in terms of a priori-defined gene sets typically yields more compact and interpretable results than those produced by traditional methods that rely on individual genes. The set-level strategy can also be adopted in predictive classification tasks accomplished with machine learning algorithms. Here, sample features originally corresponding to genes are replaced by a much smaller number of features, each corresponding to a gene set and aggregating expressions of its members into a single real value. Classifiers learned from such transformed features promise better interpretability in that they derive class predictions from overall expressions of selected gene sets (e.g. corresponding to pathways) rather than expressions of specific genes. In a large collection of experiments we test how accurate such classifiers are compared to traditional classifiers based on genes.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA201%2F09%2F1665" target="_blank" >GA201/09/1665: Překonání propasti mezi systémovou biologií a strojovým učením</a><br>
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2011
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Bioinformatics Research and Applications
ISBN
978-3-642-21259-8
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
12
Strana od-do
274-285
Název nakladatele
Springer
Místo vydání
Heidelberg
Místo konání akce
Changsha
Datum konání akce
27. 5. 2011
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—