PLoS ONE: Brug regelbaseret Machine Learning for Candidate Disease Gene Prioritering og Prøve Klassifikation af Cancer Gene Expression data

Abstrakt

Microarray dataanalyse har vist sig at udgøre et effektivt redskab til at studere kræft og genetiske sygdomme. Selvom klassiske maskine læring teknikker med succes er blevet anvendt til at finde informative gener og til at forudsige klasse etiketter til nye prøver, fælles begrænsninger af microarray analyse såsom små stikprøvestørrelser, en stor attribut rum og højt støjniveau stadig begrænse sine videnskabelige og kliniske anvendelser. Forøgelse muligheden for fortolkning af modeller og samtidig bevare en høj nøjagtighed ville bidrage til at udnytte indholdet oplysninger i microarray data mere effektivt. Til dette formål, vi evaluerer vores regelbaserede evolutionære maskine læringssystemer, BioHEL og GAssist, på tre offentlige microarray kræft datasæt, opnåelse simple regelbaserede modeller for klassificering prøve. En sammenligning med andre toneangivende microarray prøve klassificører baseret på tre forskellige funktion udvalg algoritmer antyder, at disse evolutionære læring teknikker kan konkurrere med state-of-the-art metoder som support vektormaskine. De opnåede modeller nå nøjagtigheder over 90% i to-niveau ekstern krydsvalidering, med merværdien af ​​lette fortolkning ved kun kombinationer af simple hvis-så-ellers regler. Som en yderligere fordel, en litteratur minedrift analyse afslører, at prioriteringer af informative gener udvundet BioHEL klassifikation regelsæt kan udkonkurrerer gen placeringer opnået fra en konventionel ensemble funktion valg med hensyn til punktvis gensidig information mellem relevante sygdom vilkår og de standardiserede navne på top- klassificeret gener

Henvisning:. Glaab E, Bacardit J, Garibaldi JM, Krasnogor N (2012) Brug regelbaseret Machine Learning for Candidate Disease Gene Prioritering og Prøve Klassifikation af Cancer genekspression data. PLoS ONE 7 (7): e39932. doi: 10,1371 /journal.pone.0039932

Redaktør: Christos A. Ouzounis, Center for forskning og teknologi, Hellas, Grækenland

Modtaget: Januar 29, 2012; Accepteret: 29 maj 2012; Udgivet: 11. juli 2012