Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Cluster Sampling Method01:20

Cluster Sampling Method

12.7K
Appropriate sampling methods ensure that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...
12.7K
Karyotyping01:17

Karyotyping

62.4K
Overview
62.4K
Stratified Sampling Method01:16

Stratified Sampling Method

12.8K
Sampling is a technique to select a portion (or subset) of the larger population and study that portion (the sample) to gain information about the population. The sampling method ensures that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a stratified sample, divide the population into groups called strata and then take a...
12.8K
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation01:24

One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation

708
This lesson introduces two critical methods in pharmacokinetics, the Wagner-Nelson and Loo-Riegelman methods, used for estimating the absorption rate constant (ka) for drugs administered via non-intravenous routes. The Wagner-Nelson method relates ka to the plasma concentration derived from the slope of a semilog percent unabsorbed time plot. However, it is limited to drugs with one-compartment kinetics and can be impacted by factors like gastrointestinal motility or enzymatic degradation.
On...
708

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Classification performance assessment for imbalanced multiclass data.

Scientific reports·2024
Same author

Advance Monitoring of COVID-19 Incidence Based on Taxi Mobility: The Infection Ratio Measure.

Healthcare (Basel, Switzerland)·2024
Same author

A new challenge for data analytics: transposons.

BioData mining·2022
Same author

Pairwise gene GO-based measures for biclustering of high-dimensional expression data.

BioData mining·2018
Same author

Soft Computing Methods for Disulfide Connectivity Prediction.

Evolutionary bioinformatics online·2015
Same author

Building Transcriptional Association Networks in Cytoscape with RegNetC.

IEEE/ACM transactions on computational biology and bioinformatics·2015

Video Experimental Relacionado

Updated: Sep 9, 2025

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
03:37

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers

Published on: March 1, 2024

892

Mejora de la clasificación de datos genómicos desequilibrados mediante muestreo sintético basado en KDE

Edoardo Taccaliti1, Jesus S Aguilar-Ruiz2

  • 1Department of Biology, University of Naples Federico II, Naples, Italy.

BioData mining
|August 29, 2025
PubMed
Resumen
Este resumen es generado por máquina.

La estimación de la densidad del núcleo (KDE, por sus siglas en inglés) compensa los conjuntos de datos genómicos desequilibrados mediante la creación de muestras sintéticas. Este método mejora la precisión de la clasificación, especialmente para la detección de enfermedades raras en la genómica.

Palabras clave:
ClasificaciónDesequilibrioEstimación de la densidad del núcleoMuestreo excesivo

Más Videos Relacionados

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

7.6K
Optimization for Sequencing and Analysis of Degraded FFPE-RNA Samples
07:30

Optimization for Sequencing and Analysis of Degraded FFPE-RNA Samples

Published on: June 8, 2020

12.2K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
03:37

Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers

Published on: March 1, 2024

892
Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

7.6K
Optimization for Sequencing and Analysis of Degraded FFPE-RNA Samples
07:30

Optimization for Sequencing and Analysis of Degraded FFPE-RNA Samples

Published on: June 8, 2020

12.2K

Área de la Ciencia:

  • Aprendizaje automático biomédico
  • Análisis de datos genómicos
  • Biología computacional

Sus antecedentes:

  • El desequilibrio de clase es un desafío significativo en conjuntos de datos genómicos de alta dimensión.
  • Los modelos estándar de aprendizaje automático a menudo muestran sesgo hacia la clase mayoritaria.
  • Este sesgo es particularmente problemático en el diagnóstico clínico de enfermedades raras.

Objetivo del estudio:

  • Introducir un nuevo método de sobre muestreo basado en la estimación de la densidad del núcleo (KDE).
  • Para reequilibrar los conjuntos de datos genómicos desequilibrados mediante la generación de muestras de clase minoritarias sintéticas.
  • Para abordar las limitaciones de las técnicas convencionales de muestreo excesivo como SMOTE.

Principales métodos:

  • Desarrolló un enfoque de muestreo excesivo basado en KDE para estimar las distribuciones globales de clases minoritarias.
  • Muestras de clase minoritaria sintéticas generadas para reequilibrar conjuntos de datos genómicos desequilibrados.
  • Evaluó el método en 15 conjuntos de datos genómicos del mundo real utilizando Naïve Bayes, árboles de decisión y bosques aleatorios, comparándolos con SMOTE y la línea de base.

Principales resultados:

  • El exceso de muestreo de KDE mejoró consistentemente el rendimiento de clasificación en conjuntos de datos y clasificadores.
  • Se observaron mejoras significativas en métricas robustas de desequilibrio como el AUC de la curva IMCP.
  • KDE demostró un rendimiento superior con modelos basados en árboles y simplificó el proceso de muestreo.

Conclusiones:

  • El sobre muestreo basado en KDE proporciona una solución estadísticamente sólida y efectiva para los datos genómicos desequilibrados.
  • El método mejora la equidad y la precisión en la toma de decisiones médicas.
  • Ofrece una alternativa prometedora a las técnicas de sobremostración existentes para datos biológicos complejos.