Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Super-resolution Fluorescence Microscopy01:37

Super-resolution Fluorescence Microscopy

Super-resolution fluorescence microscopy (SRFM) provides a better resolution than conventional fluorescence microscopy by reducing the point spread function (PSF). PSF is the light intensity distribution from a point that causes it to appear blurred. Due to PSF, each fluorescing point appears bigger than its actual size, and it is the PSF interference of nearby fluorophores that causes the blurred image. Various approaches to achieving higher resolution through SRFM have recently been developed.

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

EYE movement abnormalities in Parkinson's disease: optometric screening and rehabilitation.

Clinical parkinsonism & related disorders·2026
Same author

Development and validation of diagnostic KASP markers for MYMIV resistance in urdbean.

Frontiers in genetics·2026
Same author

Ultra-high density perovskite nanowire array memristor-based multi-layer perceptron.

Nature communications·2026
Same author

Hybrid Mie Resonator Photocatalysts as a Platform for Solar Chemicals: Quantification of Light-Induced Electronic Effect versus Heating Effect.

ACS applied materials & interfaces·2026
Same author

Morusin Attenuates Cancer Stemness and Modulates CSC-driven Macrophage Polarization in Cervical Cancer.

Anti-cancer agents in medicinal chemistry·2026
Same author

Impact of thrombocytopenia on bleeding and cardiovascular outcomes in patients undergoing percutaneous coronary intervention with dual-antiplatelet therapy.

The Egyptian heart journal : (EHJ) : official bulletin of the Egyptian Society of Cardiology·2026

関連する実験動画

Updated: May 31, 2026

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

16.1K

サンプリングとヒューリスティックを強化した特徴量学習（FLASH）は、モデルのパフォーマンスとバイオマーカーの同定を向上させます

Shivam Kumar1, Abhinav Agarwal1, Samrat Chatterjee2

  • 1Complex Analysis Group, Computational and Mathematical Biology Centre, Translational Health Science and Technology Institute, NCR Biotech Science Cluster, Faridabad, 121001, India.

NPJ systems biology and applications
|December 12, 2025
PubMed
まとめ

新しい特徴量選択方法であるFLASHは、冗長な生物学的データを効果的に削減します。生物学的に関連性の高い特徴量を同定することにより、モデルのパフォーマンスと一般化を強化し、既存の方法よりも優れた性能を発揮します。

キーワード:
特徴量選択機械学習バイオインフォマティクスバイオマーカー遺伝子発現

さらに関連する動画

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

7.9K
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

7.3K

関連する実験動画

Last Updated: May 31, 2026

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

16.1K
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

7.9K
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

7.3K

科学分野:

  • バイオインフォマティクス
  • 計算生物学
  • 機械学習

背景:

  • 遺伝子発現プロファイルのような大規模な生物学的データセットには、冗長な特徴量が含まれていることがよくあります。
  • 冗長性は、特にクラスの不均衡や隠れたサブクラスが存在する場合、モデルのパフォーマンスを低下させ、一般化を制限します。

研究 の 目的:

  • FLASH、新しい特徴量選択方法を導入します。
  • 生物学的データセットにおける冗長な特徴量の課題に対処します。
  • モデルのパフォーマンスと一般化を向上させます。

主な方法:

  • FLASHは、フィルタリングとヒューリスティックベースの体系的な削除を組み合わせます。
  • ランダムサンプリングに対する複数の統計的検定（t検定、ANOVA、Wilcoxon順位和検定、Brunner-Munzel検定、Mann-Whitney検定）を利用します。
  • クロスバリデーションを使用して、機械学習モデルの係数を使用して特徴量をランク付けし、再帰的に削除します。

主要な成果:

  • FLASHは独立したデータセットで予測パフォーマンスを維持します。
  • dRFE、相互情報量、MRMR、ElasticNet、NeuralNet、順列検定、SAGAを上回ります。
  • 選択された特徴量は、DisGeNETの疾患関連遺伝子との重複率が高く、より高い生物学的関連性を示します。

結論:

  • FLASHは生物学的データセットに効果的な特徴量選択方法です。
  • モデルの一般化を改善し、生物学的に関連性の高い特徴量を同定します。
  • 既存の特徴量選択手法に代わる堅牢な選択肢を提供します。