在人类表型本体中学习加权关联规则
定量方法
2017-01-03 v1 人工智能
摘要
人类表型本体(HPO)是一个结构化的概念库(HPO术语),这些概念与一种或多种疾病相关联。这种关联过程被称为注释。HPO术语和注释的相关性与特异性通过一个定义为信息内容(IC)的度量来评估。因此,对注释数据的分析是生物信息学的一项重要挑战。目前存在不同的分析方法。其中,使用关联规则(AR)可以提供有用的知识,并已在某些应用中使用,例如提高注释的质量。然而,经典的关联规则算法既未考虑注释的来源,也未考虑其重要性,导致生成的候选规则具有较低的IC。本文提出了HPO-Miner(基于人类表型本体的加权关联规则),一种用于提取加权关联规则的方法。HPO-Miner能够从生物学角度提取有意义的规则。通过对公开可用的HPO注释数据集使用HPO-Miner的案例研究,展示了我们方法的有效性。
引用
@article{arxiv.1701.00077,
title = {Learning Weighted Association Rules in Human Phenotype Ontology},
author = {Pietro Hiram Guzzi and Giuseppe Agapito and Marianna Milano and Mario Cannataro},
journal= {arXiv preprint arXiv:1701.00077},
year = {2017}
}