High-dimensional Microarray Data Analysis / Shinmura, Shuichi  

Público ISBD Ningún comentario para este título. Título : High-dimensional Microarray Data Analysis : Cancer Gene Diagnosis and Malignancy Indexes by Microarray Tipo de documento: documento electrónico Autores: Shinmura, Shuichi, Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2019 Número de páginas: XXV, 419 p. 261 ilustraciones, 130 ilustraciones en color. ISBN/ISSN/DL: 978-981-1359989-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Public policy  Educación  Derecho  Bioestadística  Estadística  Ciencias sociales  Teoría y métodos estadísticos. Clasificación: 570.15195 Resumen: Este libro muestra cómo descomponer microarrays de alta dimensión en pequeños subespacios (pequeñas matrioskas, SM), analizarlos estadísticamente y realizar un diagnóstico de genes del cáncer. La información es útil para que los expertos en genética, cualquiera que analice datos genéticos y los estudiantes la utilicen como libros de texto prácticos. El análisis discriminante es el mejor enfoque para microarrays que consisten en clases normales y cancerosas. Los microarrays son datos linealmente separables (LSD, hecho 3). Sin embargo, debido a que la mayoría de las funciones discriminantes lineales (LDF) no pueden discriminar el LSD teóricamente y las tasas de error son altas, nadie había descubierto el hecho 3 hasta ahora. SVM de margen rígido (H-SVM) e IP-OLDF revisado (RIP) pueden encontrar Fact3 fácilmente. El LSD tiene la estructura Matryoshka y se descompone fácilmente en muchos SM (Hecho 4). Debido a que todos los SM son muestras pequeñas y LSD, los métodos estadísticos analizan los SM fácilmente. Sin embargo, no se pueden obtener resultados útiles. Por otro lado, H-SVM y RIP pueden discriminar dos clases en SM por completo. RatioSV es la relación entre la distancia SV y el rango discriminante. El RatioSV máximo de seis microarrays es superior al 11,67%. Este hecho muestra que SV separa dos clases por el ancho de la ventana (11,67%). Esta fácil discriminación no ha sido resuelta desde 1970. La razón se revela en los hechos aquí presentados, por lo que este libro puede leerse y disfrutarse como una novela de misterio. Muchos estudios señalan que es difícil separar la señal y el ruido en un espacio genético de alta dimensión. Sin embargo, la definición de señal no está clara. Se presenta evidencia convincente de que el LSD es una señal. El análisis estadístico de los genes contenidos en el SM no puede proporcionar información útil, pero muestra que la puntuación discriminante (DS) discriminada por RIP o H-SVM es fácilmente LSD. Por ejemplo, el microarray de Alon tiene 2000 genes que se pueden dividir en 66 SM. Si se utilizan 66 DS como variables, el resultado son datos de 66 dimensiones. Estos datos de señal se pueden analizar para encontrar indicadores de malignidad mediante análisis de componentes principales y análisis de conglomerados. Nota de contenido: 1 New Theory of Discriminant Analysis and Cancer Gene Analysis -- 2 Overview of Cancer Gene Diagnosis by RIP and Revised LP-OLDF -- 3 Cancer Gene Diagnosis of Alon Microarray -- 4 Further Examinations of SMs---Defect of Revised LP-OLDF and Correlations of Genes -- 5　Cancer Gene Diagnosis of Golub et al. Microarray -- 6 Cancer Gene Diagnosis of Shipp et al. Microarray -- 7 Cancer Gene Diagnosis of Singh et al. Microarray -- 8 Cancer Gene Diagnosis of Tian et al. Microarray -- 9 Cancer Gene Diagnosis of Chiaretti et al. Microarray -- 10 LINGO Programs of Cancer Gene Analysis -- Index. Tipo de medio : Computadora Summary : This book shows how to decompose high-dimensional microarrays into small subspaces (Small Matryoshkas, SMs), statistically analyze them, and perform cancer gene diagnosis. The information is useful for genetic experts, anyone who analyzes genetic data, and students to use as practical textbooks. Discriminant analysis is the best approach for microarray consisting of normal and cancer classes. Microarrays are linearly separable data (LSD, Fact 3). However, because most linear discriminant function (LDF) cannot discriminate LSD theoretically and error rates are high, no one had discovered Fact 3 until now. Hard-margin SVM (H-SVM) and Revised IP-OLDF (RIP) can find Fact3 easily. LSD has the Matryoshka structure and is easily decomposed into many SMs (Fact 4). Because all SMs are small samples and LSD, statistical methods analyze SMs easily. However, useful results cannot be obtained. On the other hand, H-SVM and RIP can discriminate two classes in SM entirely. RatioSV is the ratioof SV distance and discriminant range. The maximum RatioSVs of six microarrays is over 11.67%. This fact shows that SV separates two classes by window width (11.67%). Such easy discrimination has been unresolved since 1970. The reason is revealed by facts presented here, so this book can be read and enjoyed like a mystery novel. Many studies point out that it is difficult to separate signal and noise in a high-dimensional gene space. However, the definition of the signal is not clear. Convincing evidence is presented that LSD is a signal. Statistical analysis of the genes contained in the SM cannot provide useful information, but it shows that the discriminant score (DS) discriminated by RIP or H-SVM is easily LSD. For example, the Alon microarray has 2,000 genes which can be divided into 66 SMs. If 66 DSs are used as variables, the result is a 66-dimensional data. These signal data can be analyzed to find malignancy indicators by principal component analysis and cluster analysis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] High-dimensional Microarray Data Analysis : Cancer Gene Diagnosis and Malignancy Indexes by Microarray [documento electrónico] / Shinmura, Shuichi,  . -  1 ed.  . - Singapore [Malasya] : Springer, 2019 . - XXV, 419 p. 261 ilustraciones, 130 ilustraciones en color. ISBN : 978-981-1359989-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Public policy  Educación  Derecho  Bioestadística  Estadística  Ciencias sociales  Teoría y métodos estadísticos. Clasificación: 570.15195 Resumen: Este libro muestra cómo descomponer microarrays de alta dimensión en pequeños subespacios (pequeñas matrioskas, SM), analizarlos estadísticamente y realizar un diagnóstico de genes del cáncer. La información es útil para que los expertos en genética, cualquiera que analice datos genéticos y los estudiantes la utilicen como libros de texto prácticos. El análisis discriminante es el mejor enfoque para microarrays que consisten en clases normales y cancerosas. Los microarrays son datos linealmente separables (LSD, hecho 3). Sin embargo, debido a que la mayoría de las funciones discriminantes lineales (LDF) no pueden discriminar el LSD teóricamente y las tasas de error son altas, nadie había descubierto el hecho 3 hasta ahora. SVM de margen rígido (H-SVM) e IP-OLDF revisado (RIP) pueden encontrar Fact3 fácilmente. El LSD tiene la estructura Matryoshka y se descompone fácilmente en muchos SM (Hecho 4). Debido a que todos los SM son muestras pequeñas y LSD, los métodos estadísticos analizan los SM fácilmente. Sin embargo, no se pueden obtener resultados útiles. Por otro lado, H-SVM y RIP pueden discriminar dos clases en SM por completo. RatioSV es la relación entre la distancia SV y el rango discriminante. El RatioSV máximo de seis microarrays es superior al 11,67%. Este hecho muestra que SV separa dos clases por el ancho de la ventana (11,67%). Esta fácil discriminación no ha sido resuelta desde 1970. La razón se revela en los hechos aquí presentados, por lo que este libro puede leerse y disfrutarse como una novela de misterio. Muchos estudios señalan que es difícil separar la señal y el ruido en un espacio genético de alta dimensión. Sin embargo, la definición de señal no está clara. Se presenta evidencia convincente de que el LSD es una señal. El análisis estadístico de los genes contenidos en el SM no puede proporcionar información útil, pero muestra que la puntuación discriminante (DS) discriminada por RIP o H-SVM es fácilmente LSD. Por ejemplo, el microarray de Alon tiene 2000 genes que se pueden dividir en 66 SM. Si se utilizan 66 DS como variables, el resultado son datos de 66 dimensiones. Estos datos de señal se pueden analizar para encontrar indicadores de malignidad mediante análisis de componentes principales y análisis de conglomerados. Nota de contenido: 1 New Theory of Discriminant Analysis and Cancer Gene Analysis -- 2 Overview of Cancer Gene Diagnosis by RIP and Revised LP-OLDF -- 3 Cancer Gene Diagnosis of Alon Microarray -- 4 Further Examinations of SMs---Defect of Revised LP-OLDF and Correlations of Genes -- 5　Cancer Gene Diagnosis of Golub et al. Microarray -- 6 Cancer Gene Diagnosis of Shipp et al. Microarray -- 7 Cancer Gene Diagnosis of Singh et al. Microarray -- 8 Cancer Gene Diagnosis of Tian et al. Microarray -- 9 Cancer Gene Diagnosis of Chiaretti et al. Microarray -- 10 LINGO Programs of Cancer Gene Analysis -- Index. Tipo de medio : Computadora Summary : This book shows how to decompose high-dimensional microarrays into small subspaces (Small Matryoshkas, SMs), statistically analyze them, and perform cancer gene diagnosis. The information is useful for genetic experts, anyone who analyzes genetic data, and students to use as practical textbooks. Discriminant analysis is the best approach for microarray consisting of normal and cancer classes. Microarrays are linearly separable data (LSD, Fact 3). However, because most linear discriminant function (LDF) cannot discriminate LSD theoretically and error rates are high, no one had discovered Fact 3 until now. Hard-margin SVM (H-SVM) and Revised IP-OLDF (RIP) can find Fact3 easily. LSD has the Matryoshka structure and is easily decomposed into many SMs (Fact 4). Because all SMs are small samples and LSD, statistical methods analyze SMs easily. However, useful results cannot be obtained. On the other hand, H-SVM and RIP can discriminate two classes in SM entirely. RatioSV is the ratioof SV distance and discriminant range. The maximum RatioSVs of six microarrays is over 11.67%. This fact shows that SV separates two classes by window width (11.67%). Such easy discrimination has been unresolved since 1970. The reason is revealed by facts presented here, so this book can be read and enjoyed like a mystery novel. Many studies point out that it is difficult to separate signal and noise in a high-dimensional gene space. However, the definition of the signal is not clear. Convincing evidence is presented that LSD is a signal. Statistical analysis of the genes contained in the SM cannot provide useful information, but it shows that the discriminant score (DS) discriminated by RIP or H-SVM is easily LSD. For example, the Alon microarray has 2,000 genes which can be divided into 66 SMs. If 66 DSs are used as variables, the result is a 66-dimensional data. These signal data can be analyzed to find malignancy indicators by principal component analysis and cluster analysis. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200