The discovery of protein variation

The discovery of protein variation is an important strategy in disease diagnosis within the biological sciences. The current
benchmark for elucidating information from multiple biological variables is the so called ‘‘omics’’ disciplines of the
biological sciences. Such variability is uncovered by implementation of multivariable data mining techniques which come
under two primary categories, machine learning strategies and statistical based approaches. Typically proteomic studies can
produce hundreds or thousands of variables, p, per observation, n, depending on the analytical platform or method
employed to generate the data. Many classification methods are limited by an n%p constraint, and as such, require pretreatment
to reduce the dimensionality prior to classification. Recently machine learning techniques have gained popularity
in the field for their ability to successfully classify unknown samples. One limitation of such methods is the lack of a
functional model allowing meaningful interpretation of results in terms of the features used for classification. This is a
problem that might be solved using a statistical model-based approach where not only is the importance of the individual
protein explicit, they are combined into a readily interpretable classification rule without relying on a black box approach.
Here we incorporate statistical dimension reduction techniques Partial Least Squares (PLS) and Principal Components
Analysis (PCA) followed by both statistical and machine learning classification methods, and compared them to a popular
machine learning technique, Support Vector Machines (SVM). Both PLS and SVM demonstrate strong utility for proteomic
classification problems

ผลลัพธ์ (ไทย) 1:

การค้นพบของโปรตีนเปลี่ยนแปลงเป็นกลยุทธ์สำคัญในการวินิจฉัยโรคภายในวิทยาศาสตร์ชีวภาพ ปัจจุบันเปรียบเทียบข้อมูลจากตัวแปรทางชีวภาพหลายแจ่มชัดเป็น สาขาวิชาที่เรียกว่า ''เชิงคณนา '' ของการวิทยาศาสตร์ชีวภาพ ความแปรปรวนดังกล่าวจะเปิดระบบเทคนิคเหมืองข้อมูล multivariable ซึ่งมาภายใต้สองประเภทหลัก เครื่องการเรียนรู้กลยุทธ์ และวิธีการทางสถิติ โดยทั่วไปสามารถศึกษา proteomicผลิตหลายร้อยหรือหลายพันตัวแปร p, n ขึ้นอยู่กับแพลตฟอร์มวิเคราะห์หรือวิธี สังเกตต่อมาใช้เพื่อสร้างข้อมูล หลายวิธีจำแนกประเภทจำกัด โดยข้อจำกัดที่มี n %p และเป็นเช่นนี้ ต้องปรับสภาพการลดมิติก่อนการจัดประเภท เมื่อเร็ว ๆ นี้ เครื่องเทคนิคการเรียนรู้ได้รับความนิยมในฟิลด์สำหรับความสามารถในการแบ่งประเภทตัวอย่างที่ไม่รู้จักเสร็จเรียบร้อยแล้ว ข้อจำกัดหนึ่งของวิธีการดังกล่าวคือ การขาดการช่วยตีความความหมายของผลลัพธ์ในแง่ของคุณลักษณะการจัดรูปแบบทำงาน นี้เป็นการปัญหาที่อาจแก้ไขได้โดยใช้วิธีการจำลองเชิงสถิติไม่ มีความสำคัญของแต่ละบุคคลโปรตีนที่มีชัดเจน พวกเขารวมกันเป็นกฎประเภท interpretable ได้อย่างง่ายดายโดยไม่ต้องพึ่งวิธีการกล่องดำที่นี่เรารวมเทคนิคการลดมิติสถิติบางส่วนกำลังสองน้อยสุด (PLS) และส่วนประกอบหลักวิเคราะห์ (PCA) ตาม ด้วยทั้งทางสถิติ และเครื่องจักรการเรียนรู้วิธีการจัดประเภท และการเปรียบเทียบได้กับความนิยมเครื่องเรียนรู้เทคนิค เครื่องเวกเตอร์สนับสนุน (SVM) PLS และ SVM แสดงให้เห็นถึงอรรถประโยชน์ที่แข็งแกร่งสำหรับ proteomicการจัดประเภทปัญหา

ผลลัพธ์ (ไทย) 2:

การค้นพบของการเปลี่ยนแปลงโปรตีนเป็นกลยุทธ์ที่สำคัญในการวินิจฉัยโรคภายในวิทยาศาสตร์ชีวภาพ ปัจจุบัน
มาตรฐานสำหรับแจ่มชัดข้อมูลจากตัวแปรทางชีวภาพหลายที่เรียกว่า '' omics '' สาขาของ
วิทยาศาสตร์ชีวภาพ ความแปรปรวนดังกล่าวจะป้องกันโดยการใช้เทคนิคการทำเหมืองข้อมูลหลายตัวแปรที่มา
ภายใต้สองประเภทหลักกลยุทธ์การเรียนรู้เครื่องและวิธีการตามสถิติ โดยปกติการศึกษาโปรตีนสามารถ
ผลิตหลายร้อยหรือหลายพันของตัวแปร, P, ต่อการสังเกต n ขึ้นอยู่กับแพลตฟอร์มการวิเคราะห์หรือวิธีการ
ที่ใช้ในการสร้างข้อมูล วิธีการจำแนกหลายคนจะถูก จำกัด โดย N% จำกัด P, และเป็นเช่นนี้จำเป็นต้องมีการปรับสภาพ
เพื่อลดมิติก่อนที่จะมีการจัดหมวดหมู่ เมื่อเร็ว ๆ นี้เทคนิคการเรียนรู้เครื่องได้รับความนิยม
ในเขตข้อมูลสำหรับความสามารถในการประสบความสำเร็จในการจำแนกกลุ่มตัวอย่างที่ไม่รู้จัก หนึ่งในข้อ จำกัด ของวิธีการดังกล่าวคือการขาดการให้
รูปแบบการทำงานที่ช่วยให้การตีความความหมายของผลในแง่ของคุณสมบัติที่ใช้สำหรับการจัดหมวดหมู่ นี่คือ
ปัญหาที่อาจจะได้รับการแก้ไขโดยใช้วิธีการแบบจำลองทางสถิติที่ไม่เพียง แต่เป็นความสำคัญของแต่ละ
โปรตีนอย่างชัดเจนพวกเขาจะรวมกันเป็นกฎการจำแนก interpretable ได้อย่างง่ายดายโดยไม่ต้องอาศัยวิธีการกล่องดำ.
ที่นี่เรารวมลดมิติทางสถิติ เทคนิคบางส่วนแควน้อย (PLS) และประธานส่วนประกอบ
Analysis (PCA) ตามมาด้วยทั้งวิธีการจำแนกทางสถิติและการเรียนรู้ของเครื่องและเมื่อเทียบกับพวกเขาที่จะได้รับความนิยม
ใช้เทคนิคการเรียนรู้เครื่อง, การสนับสนุนเครื่องเวกเตอร์ (SVM) ทั้งสอง PLS และแสดงให้เห็นถึง SVM ยูทิลิตี้ที่แข็งแกร่งสำหรับโปรตีน
ปัญหาการจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

การค้นพบการเปลี่ยนแปลงของโปรตีนเป็นกลยุทธ์ที่สำคัญในการวินิจฉัยโรคในวิทยาศาสตร์ชีวภาพ ปัจจุบันมาตรฐานสำหรับการศึกษาข้อมูลจากหลายทางชีวภาพตัวแปรจะเรียกว่า " "omics " " สาขาของวิทยาศาสตร์ชีวภาพ เช่นการจะเปิดเผย โดยการใช้เทคนิคของเหมืองข้อมูล multivariable ซึ่งมาภายใต้สองประเภทหลัก , การเรียนรู้เครื่องกลยุทธ์และสถิติตามแนว การศึกษาโดยทั่วไปโปรตีนสามารถผลิตหลายร้อยหรือหลายพันตัว P ต่อการสังเกต , N , ขึ้นอยู่กับแพลตฟอร์มหรือวิธีวิเคราะห์ที่ใช้ในการสร้างข้อมูล วิธีการจำแนกหลายจะถูก จำกัด โดย N P ข้อจำกัด และต้องการ เช่นเพื่อลด dimensionality ก่อนการจำแนก เมื่อเร็วๆ นี้ เครื่อง เรียนรู้เทคนิคได้รับความนิยมในด้านความสามารถในการประสบความสำเร็จจำแนกตัวอย่างที่ไม่รู้จัก หนึ่งข้อ จำกัด ของวิธีการดังกล่าวคือการขาดของการทำงานแบบจำลองช่วยให้การแปลความหมายของผลลัพธ์ในแง่ของลักษณะที่ใช้ในการสื่อความหมาย นี้คือปัญหาที่อาจจะแก้ไขได้โดยใช้วิธีการทางสถิติ ซึ่งไม่เพียง แต่สำหรับความสำคัญของบุคคลโปรตีนชัดเจน พวกเขาจะรวมกันเป็นพร้อม interpretable การจำแนกกฎโดยไม่ต้องอาศัยวิธีการแบบกล่องดำที่นี่เรารวมสถิติการลดมิติเทคนิคกำลังสองน้อยที่สุดบางส่วน ( PLS ) และส่วนประกอบหลักการวิเคราะห์ ( PCA ) รองลงมา คือ ทั้งสถิติและการเรียนรู้ของเครื่องวิธีการจำแนกและเปรียบเทียบพวกเขาเป็นที่นิยมเทคนิคการเรียนรู้เครื่อง , เครื่องเวกเตอร์สนับสนุน ( SVM ) และแสดงให้เห็นถึงประโยชน์ทั้งกรุณา SVM มากส์หมวดหมู่ปัญหา