用于“样本空间”中结果预测的基于网络的方法
机器学习
2017-02-07 v1 机器学习
摘要
在本论文中，我们提出一种新颖的基于网络的半监督算法P-Net，它能够针对所研究的特定表型或临床结果对患者进行排序和分类。该方法的独特创新之处在于它构建了一个样本/患者网络，其中节点代表样本，边代表个体之间的功能或遗传关系（例如表达谱的相似性），以预测所研究的表型。换言之，它在“样本空间”中构建网络，而非像最先进的方法那样在“生物标志物空间”（节点代表生物分子（如基因、蛋白质），边代表节点之间的功能或遗传关系）中构建。为评估P-Net的性能，我们将其应用于来自特定类型肿瘤患者的三个不同的公开数据集：胰腺癌、黑色素瘤和卵巢癌数据集，使用的数据并遵循两篇近期发表的论文[Barter et al., 2014, Winter et al., 2012]中提出的实验设置。我们表明，在“样本空间”中基于网络的方法能够取得与经典监督归纳系统相竞争的结果。此外，样本的图表示可通过网络轻松可视化，并可用于获得关于样本间关系的视觉线索，同时考虑每个样本关联或预测的表型。据我们所知，这是首批提出在患者生物分子谱的“样本空间”中工作以预测其表型或结果的基于图的算法的工作之一，从而在网络医学框架下贡献了一条新颖的研究路线。
引用
@article{arxiv.1702.01268,
title = {Network-based methods for outcome prediction in the "sample space"},
author = {Jessica Gliozzo},
journal= {arXiv preprint arXiv:1702.01268},
year = {2017}
}
备注
MSc Thesis, Advisor: G. Valentini, Co-Advisors: A. Paccanaro and M. Re, 92 pages, 36 figures, 10 tables