Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Comparative Evaluation of Set-level Techniques in Predictive Classification of Gene Expression Samples

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F12%3A00193325" target="_blank" >RIV/68407700:21230/12:00193325 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.biomedcentral.com" target="_blank" >http://www.biomedcentral.com</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1186/1471-2105-13-S10-S15" target="_blank" >10.1186/1471-2105-13-S10-S15</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Comparative Evaluation of Set-level Techniques in Predictive Classification of Gene Expression Samples

  • Popis výsledku v původním jazyce

    Background: Analysis of gene expression data in terms of a priori defined gene sets has recently received significant attention as this approach typically yields more compact and interpretable results than those produced by traditional methods that relyon individual genes. The set level strategy can also be adopted with similar benefits in predictive classification tasks accomplished with machine learning algorithms. Initial studies into the predictive performance of set level classifiers have yieldedrather controversial results. The goal of this study is to provide a more conclusive evaluation by testing various components of the set level framework within a large collection of machine learning experiments. Results: Genuine curated gene sets constitute better features for classification than sets assembled without biological relevance. For identifying the best gene sets for classification, the Global test outperforms the gene set methods GSEA and SAM GS as well as two generic featur

  • Název v anglickém jazyce

    Comparative Evaluation of Set-level Techniques in Predictive Classification of Gene Expression Samples

  • Popis výsledku anglicky

    Background: Analysis of gene expression data in terms of a priori defined gene sets has recently received significant attention as this approach typically yields more compact and interpretable results than those produced by traditional methods that relyon individual genes. The set level strategy can also be adopted with similar benefits in predictive classification tasks accomplished with machine learning algorithms. Initial studies into the predictive performance of set level classifiers have yieldedrather controversial results. The goal of this study is to provide a more conclusive evaluation by testing various components of the set level framework within a large collection of machine learning experiments. Results: Genuine curated gene sets constitute better features for classification than sets assembled without biological relevance. For identifying the best gene sets for classification, the Global test outperforms the gene set methods GSEA and SAM GS as well as two generic featur

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    IN - Informatika

  • 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

    2012

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    BMC Bioinformatics

  • ISSN

    1471-2105

  • e-ISSN

  • Svazek periodika

    12

  • Číslo periodika v rámci svazku

    13

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    29

  • Strana od-do

    "S15"

  • Kód UT WoS článku

    000306140100015

  • EID výsledku v databázi Scopus