Thông tin chung

  English

  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác

  Tài liệu tham khảo

  Hiệu chỉnh

 
Số người truy cập: 106,027,428

 Tensor-based algebra for multilinear structure of microarray expression recognition
Tác giả hoặc Nhóm tác giả: Nguyen Thi Ngoc Anh, Nguyen Tran Quoc Vinh, Ho Phan Hieu, Vo Trung Hung
Nơi đăng: Kỷ yếu Hội nghị Khoa học Công nghệ Quốc gia lần thứ X (Fair’10), lĩnh vực Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin; Số: Fair’10;Từ->đến trang: 877 đến 883;Năm: 2017
Lĩnh vực: Công nghệ thông tin; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Trong bài báo này, hai thách thức hiện nay về biểu hiện của microarray được đầu tư, đó là sự phục hồi các giá trị bị mất và sự trích xuất các thuộc tính cho mô hình học có giám sát. Trục đầu tiên của bài báo tập trung vào việc làm thế nào để xử lý các thuộc tính chính của chuỗi thời gian microarray: bao gồm cấu trúc tensor, xử lý nhiễu, và các đặc tính động về thời gian. Điều này cho phép phát hiện ra các yếu tố tiềm ẩn và các chiều hướng liên quan nhau để phục vụ cho việc phục hồi dữ liệu. Sau đó, một sự cải tiến của sự phân hủy trực giao Tucker dựa trên việc phân tích phân biệt đối với cấu trúc đa tuyến tính của biểu hiện microarray được trình bày trong việc giảm số chiều. Do đó, một khám phá cấu trúc bậc ba của biểu hiện gen, được cấu thành với thuật ngữ gen - sample - time (GST), được trình bày để phân loại mẫu sinh học. Đóng góp của bài báo được phân bổ theo hai động lực chính; bao gồm việc thiết lập mô hình tiềm ẩn để phục hồi các giá trị bị mất dựa trên thuật toán bậc cao của Kalman Filter và việc trích xuất thuộc dựa trên thuật toán Tensor Discriminative Feature Extraction. Các phương pháp đề xuất này được hiện thực trên dữ liệu của Interferon beta (INFβ) thuộc biểu hiện của GST-microarray trong việc phân loại hiệu ứng điều trị với việc phân biệt bệnh nhân trong nhóm phản ứng tích cực và những bệnh nhân còn lại trong nhóm thuộc vấn đề điều trị. Hiệu năng thực nghiệm trên dữ liệu thực tế đã chứng minh được ưu điểm vượt trội của các phương pháp đề xuất so với với các thuật toán dựa trên ma trận và phương pháp dựa trên việc phân tách phân biệt gần đây trên các khía cạnh phục hồi dữ liệu, độ chính xác trong việc phân loại là 90,23% và thời gian tính toán.
ABSTRACT
In this paper, there are two current challenges of microarray expression are investigated, namely missing values recovery and feature extraction for supervised learning. The first axis is focus on how to deal with the main properties of time sequences of microarray, including tensor structure, noise, and temporal dynamic characteristics. This allows discovering latent factors and evolving trends for offering missing imputation. Then, an improvement of orthogonal Tucker decomposition based on discriminant analysis for multilinear structure of microarray expression is presented for dimensionality reduction. Consequently, an exploring a novel type of third-order microarray expression, termed as gene - sample - time (GST), is presented for biological sample classification. The contributions will be distributed along two main thrusts of effectiveness; including latent modeling setting for imputing missing values based on the High-Order Kalman Filter and feature extraction based on Tensor Discriminative Feature Extraction. Those proposal methods are carried out on Interferon beta (INFβ) dataset of GST-microarray expressions to distinguish the patients in the favorable response group and the remaining patients in the problematic-treatment-response group. The experimental performance corroborates the advantages of the proposed approaches upon those of the matrix-based algorithms and recent tensor-based, discriminant-decomposition, in terms of missing values completion, classification accuracy of 90.23% and computation time.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn