通过相关性特征和矢量机来处理基因表达微阵列的广泛数据研究
Albert Belenguer-Llorens1, Carlos Sevilla-Salcedo1, Emilio Parrado-Hernández1
1Universidad Carlos III de Madrid, (1), Department of Signal Processing and Communications, Leganés, 28911, Spain.
Computers in biology and medicine
|September 3, 2025
概括
这项研究引入了一种新的贝叶斯模型,即相关特征和矢量机 (RFVM),以应对基因表达数据的挑战. 通过同时选择相关的基因和患者,RFVM提高了诊断的准确性和解释性.
科学领域:
- 生物信息学
- 计算生物学
- 基因组学中的机器学习
背景情况:
- 基因表达微阵列产生广泛的数据,其中特征超过观测,对机器学习算法构成挑战.
- "广泛数据问题"在基因组研究中普遍存在,使准确的分析和模型通用性变得复杂.
- 现有的模型往往在高维基因组数据集中难以解释和过度适应.
研究的目的:
- 引入一个新的贝叶斯模型,即相关特征和矢量机器 (RFVM),旨在解决基因表达分析中的广泛数据挑战.
- 在特征 (基因) 和样本 (患者) 空间中增强模型的解释性.
- 提高基因组数据诊断任务中使用的模型的性能和紧性.
主要方法:
- 开发了相关性特征和向量机器 (RFVM),这是一个在双空间中运行的贝叶斯模型.
- 实施了双向稀疏性方法,用于联合特征和样本选择的先验和双变量.
- 使用多个基因表达微阵列数据集对现有模型进行了验证.
主要成果:
- 与其他模型相比,RFVM在诊断任务中表现出卓越的性能.
- 该模型产生了更紧的解决方案,提高了可解释性.
- 通过RFVM选择的基因与已知的生物标志物对齐,表明临床相关性.
结论:
- 在基因表达分析方面,RFVM有效地解决了广泛的数据挑战,提供了更好的诊断性能.
- 该模型的联合特征和样本选择提高了可解释性,并导致更紧,临床相关的解决方案.
- RFVM显示为分析基因组数据和识别生物标志物的有价值临床工具.
