With the arrival of gene expression

With the arrival of gene expression microarrays a new challenge has opened up for
identification or classification of cancer tissues. Due to the large number of genes providing
valuable information simultaneously compared to very few available tissue samples the
cancer staging or classification becomes very tricky.
In this paper we introduce a hierarchical Bayesian probit model for two class cancer
classification. Instead of assuming a linear structure for the function that relates the gene
expressions with the cancer types we only assume that the relationship is explained by
an unknown function which belongs to an abstract functional space like the reproducing
kernel Hilbert space. Our formulation automatically reduces the dimension of the problem
from the large number of covariates or genes to a small sample size. We incorporate a
Bayesian gene selection scheme with the automatic dimension reduction to adaptively
select important genes and classify cancer types under an unified model. Our model is
highly flexible in terms of explaining the relationship between the cancer types and gene
expression measurements and picking up the differentially expressed genes. The proposed
model is successfully tested on three simulated data sets and three publicly available
leukemia cancer, colon cancer, and prostate cancer real life data sets.

ผลลัพธ์ (ไทย) 1:

กับการมาถึงของ microarrays การแสดงออกของยีนท้าทายใหม่ได้เปิดขึ้นเพื่อระบุตัวตน
หรือการจัดหมวดหมู่ของเนื้อเยื่อมะเร็ง เนื่องจากการจำนวนมากของยีนที่ให้ข้อมูลที่มีค่า
เทียบพร้อมกันเพื่อไม่กี่ตัวอย่างเนื้อเยื่อที่มีการแสดงละครของโรคมะเร็ง
หรือการจัดหมวดหมู่จะกลายเป็นยุ่งยากมาก.
ในบทความนี้เราจะแนะนำรูปแบบลำดับชั้น probit เบส์สำหรับโรคมะเร็งชั้นสองจำแนก
แทนสมมติว่าโครงสร้างเชิงเส้นสำหรับการทำงานที่เกี่ยวข้องกับการแสดงออกของยีน
กับโรคมะเร็งชนิดเดียวที่เราคิดว่ามีความสัมพันธ์จะมีการอธิบายโดย
ฟังก์ชันที่ไม่รู้จักซึ่งเป็นพื้นที่การทำงานเป็นนามธรรมเช่นทำซ้ำ
เคอร์เนลฮิลแบร์ตพื้นที่สูตรของเราจะช่วยลดขนาดของปัญหา
จากจำนวนมากของตัวแปรหรือยีนขนาดของกลุ่มตัวอย่างที่มีขนาดเล็ก เรารวมโครงการ
เบส์การเลือกยีนกับการลดขนาดโดยอัตโนมัติเพื่อปรับเปลี่ยน
เลือกยีนที่มีความสำคัญและจำแนกชนิดของโรคมะเร็งแบบครบวงจรภายใต้รูปแบบ รูปแบบของเราเป็น
มีความยืดหยุ่นสูงในแง่ของการอธิบายความสัมพันธ์ระหว่างชนิดของโรคมะเร็งและยีน
วัดการแสดงออกและยกขึ้นยีนที่แสดงออกแตกต่างกัน
รูปแบบที่นำเสนอได้รับการทดสอบประสบความสำเร็จในสามชุดข้อมูลจำลองและสามโรคมะเร็งที่มีอยู่
โรคมะเร็งเม็ดเลือดขาวมะเร็งลำไส้ใหญ่และมะเร็งต่อมลูกหมากข้อมูลชีวิตจริงชุด

ผลลัพธ์ (ไทย) 2:

ที่มาของยีนนิพจน์ microarrays เปิดความท้าทายใหม่สำหรับ
ระบุหรือจัดประเภทของเนื้อเยื่อมะเร็ง เนื่องจากจำนวนยีนให้ใหญ่
ข้อมูลเปรียบเทียบกันกับตัวอย่างเนื้อเยื่อที่มีน้อยมาก
จัดประเภทหรือการแบ่งระยะของโรคมะเร็งจะยุ่งยากมาก
ในเอกสารนี้ เราแนะนำรุ่น probit ทฤษฎีลำดับชั้นสำหรับชั้นที่สองโรคมะเร็ง
จัดประเภท แทนที่จะสมมติว่าโครงสร้างเชิงเส้นฟังก์ชันที่เกี่ยวข้องกับยีน
นิพจน์ชนิดมะเร็งเราเพียงสมมติคืออธิบายความสัมพันธ์โดย
ฟังก์ชันไม่รู้จักซึ่งเป็นสมาชิกของพื้นที่ทำงานเป็นนามธรรมเช่นการทำ
เคอร์เนลพื้นที่ฮิลแบร์ท กำหนดของเราโดยอัตโนมัติช่วยลดขนาดของปัญหา
จากจำนวน covariates หรือยีนตัวอย่างขนาดเล็กขนาดใหญ่ เรารวมแบบ
ทฤษฎียีนเลือก scheme มีการลดขนาดอัตโนมัติให้อย่างเหมาะ
เลือกยีนที่สำคัญ และการจัดประเภทชนิดมะเร็งภายใต้แบบจำลองรวม โมเดลของเรา
มีความยืดหยุ่นสูงในการอธิบายความสัมพันธ์ระหว่างชนิดของมะเร็งและยีน
ประเมินนิพจน์และขึ้นยีนแสดง differentially นำเสนอ
สำเร็จได้ทดสอบรุ่นสามชุดข้อมูลจำลองและสามเผย
มะเร็งมะเร็งเม็ดเลือดขาว มะเร็ง และชุดข้อมูลชีวิตจริงโรคมะเร็งต่อมลูกหมาก

ผลลัพธ์ (ไทย) 3:

พร้อมด้วยมาถึงการแสดงออกของยีน microarrays ความท้าทายใหม่ได้เปิดให้บริการสำหรับการระบุตัวตนหรือ
ซึ่งจะช่วยการจำแนก ประเภท ของเนื้อเยื่อเป็นมะเร็ง เนื่องจากมีจำนวนขนาดใหญ่ของยีน
ซึ่งจะช่วยจัดให้บริการข้อมูลที่มีค่าไปพร้อมๆกันเมื่อเทียบกับตัวอย่างเนื้อเยื่อจัดให้บริการเป็นอย่างมากไม่กี่ ประเภท หรือการจัดแสดง
มะเร็งที่จะกลายเป็นอย่างมากยาก.
ในเอกสารนี้เราจะแนะนำรุ่น probit Bayesian แบบลำดับชั้นที่สองสำหรับ Class มะเร็ง
การแบ่ง ประเภท แทนที่จะเป็นการสันนิษฐานโครงสร้างเส้นตรงนี้สำหรับฟังก์ชันที่เกี่ยวข้องกับยีนที่
ซึ่งจะช่วยถ่ายทอดด้วย ประเภท มะเร็งที่เราจะต้องเป็นผู้รับผิดชอบว่าความสัมพันธ์ที่จะมีการอธิบายไว้อย่างละเอียดด้วยฟังก์ชันที่ไม่รู้จัก
ซึ่งเป็นของพื้นที่ประโยชน์ใช้สอยที่เป็นนามธรรมเช่นพื้นที่ hilbert
ซึ่งจะช่วยสร้างเคอร์เนลที่สูตรของเราโดยอัตโนมัติช่วยลดขนาดของปัญหาที่
จากหมายเลขขนาดใหญ่ของยีนหรือ covariates ในตัวอย่างขนาดเล็กที่ เรามีโครงสร้างทางเลือกยีน
Bayesian พร้อมด้วยการลดขนาดโดยอัตโนมัติเพื่อเลือกยีนที่สำคัญและจัด ประเภท เป็นมะเร็งในรุ่นแบบครบวงจรที่ adaptively
รุ่นของเราคือ
ตามมาตรฐานมีความยืดหยุ่นสูงในข้อกำหนดเกี่ยวกับการอธิบายถึงความสัมพันธ์ระหว่าง ประเภท โรคมะเร็งและการวัดยีน
ซึ่งจะช่วยการแสดงออกและการหยิบขึ้นมาชนชั้นล่างยีนกล่าว. เสนอ
รุ่นได้รับการทดสอบในสามชุดข้อมูลการทดสอบ Simulated Acoustical Feedback Exposure และโรคมะเร็งโรคมะเร็ง
สามต่อสาธารณะให้บริการและมะเร็งลำไส้ใหญ่ชุดข้อมูลชีวิตจริงเป็นมะเร็งต่อมลูกหมากเสร็จสมบูรณ์แล้ว