Gene expression microarray classification using PCA–BEL

Lotfi, Ehsan; Keshavarz, Azita

doi:10.1016/j.compbiomed.2014.09.008

Cited by 48 publications

(23 citation statements)

References 79 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Çalışmada 5 kat çapraz doğrulama kullanılmıştır. Yeni önerilen hibrit PCA-BEL yöntemi ile küçük yuvarlak mavi hücreli tümörler (SRBCTs), yüksek dereceli gliomalar (HGG), akciğer (lung), kolon (colon) ve meme (breast) kanseri veri kümeleri sınıflandırılarak bulunan sınıflandırma başarıları sırasıyla %100, %96, %98,32, %87,40 ve %88' dir [19].…”

Section: Li̇teratürdeki̇ çAlişmalarunclassified

Yumurtalık Kanseri Veri Kümesindeki Gen İfadelerinin Veri Madenciliği ile Analizi

Demircioğlu¹,

Bilge²

2015

Mar. J. Pure Appl. Sci.

View full text Add to dashboard Cite

ÖZETBiyoinformatik, moleküllerle ilgili bilgiyi anlamak ve düzenlemek için bilgisayar bilimleri, matematik, istatistik, biyoloji ve fizik gibi karmaşık disiplinlerden türetilen bir alandır. Biyoinformatiğin temel görevi, genomu verilen bir organizma ile ilgili fonksiyonların anlaşılması ve yaşam kalitesinin yükseltilmesidir. Biyoinformatik veritabanları nükleotid dizileri, protein dizileri, makro moleküler üç boyutlu (3D) yapılar gibi farklı veri türlerinden oluşabilmektedir. Biyoinformatik alanında elde edilen devasa boyuttaki verileri veri madenciliği yöntemleri kullanarak işlemek büyük önem kazanmaktadır. Bu çalışmada bioinformatik alanında veri madenciliğinin günümüz disiplinleri arasında geldiği noktaya değinilmiş ve kanser veri kümeleri ile veri madenciliği üzerine yapılan çalışmalar ve gerçekleştirilen uygulamalar incelenmiştir. Yapılmış uygulamalar ışığında yumurtalık kanseri verilerinin çeşitli öznitelik seçme ve sınıflandırma yöntemleri ile modellenerek algoritmaların doğruluk oranları incelenip karşılaştırılmıştır.Anahtar kelimeler: Biyoinformatik, veri madenciliği, öznitelik seçimi, yumurtalık kanseri, boyut indirgeme, sınıflandırma. Analysis of Gene Expressions in Ovarian Cancer Data Set by using Data Mining ABSTRACTBioinformatics is a field that is derived from the complicated disciplines such as computer sciences, mathematics, statistics, biology, and physics, in order understand and organize the knowledge with molecules. The fundamental role of bioinformatics is to understand the organism that is given its genomes and to increase the quality of the standard life. Bioinformatics data bases may consist of different data types such as nucleoid sequences, protein sequences, 3D structures of the macro molecules. The processing of the huge amount of bioinformatics data is one of the exciting area for researchers. In this study, state-of-the-art of the data mining in bioinformatics is shortly explained and the studies are investigated that have performed on the cancer databases by using data mining. Ovarian cancer database is used and different feature selection and classification methods are implemented and the results are compared.

show abstract

Section: Li̇teratürdeki̇ çAlişmalarunclassified

Yumurtalık Kanseri Veri Kümesindeki Gen İfadelerinin Veri Madenciliği ile Analizi

Demircioğlu¹,

Bilge²

2015

Mar. J. Pure Appl. Sci.

View full text Add to dashboard Cite

show abstract

“…But they are time consuming because of the join of classifiers and the high dimension. In order to increase efficiency, the wrapper and embedded methods are always combined with filter methods to constitute hybrid methods ( Chuang, Yang, Wu, & Yang, 2011;Huang, Cai, & Xu, 2007;Kim, Ahn, Park, Yoon, & Park, 2013;Lotfi & Keshavarz, 2014;Yang, Chuang, & Yang, 2010;Zhou & Dickerson, 2014 ).…”

Section: Introductionmentioning

confidence: 99%

A multi-objective heuristic algorithm for gene expression microarray data classification

Jia

Peng

Chen

et al. 2016

Expert Systems with Applications

View full text Add to dashboard Cite

“…In the process of biological knowledge discovery, the clustering and visualizing analysis plays central roles [1–3]. The clustering algorithms are used to search for patterns that provide additional insight into the biological function and relevance of genes [4, 5].…”

Section: Introductionmentioning

confidence: 99%

The biological knowledge discovery by PCCF measure and PCA-F projection

et al. 2017

View full text Add to dashboard Cite

In the process of biological knowledge discovery, PCA is commonly used to complement the clustering analysis, but PCA typically gives the poor visualizations for most gene expression data sets. Here, we propose a PCCF measure, and use PCA-F to display clusters of PCCF, where PCCF and PCA-F are modeled from the modified cumulative probabilities of genes. From the analysis of simulated and experimental data sets, we demonstrate that PCCF is more appropriate and reliable for analyzing gene expression data compared to other commonly used distances or similarity measures, and PCA-F is a good visualization technique for identifying clusters of PCCF, where we aim at such data sets that the expression values of genes are collected at different time points.

show abstract

Gene expression microarray classification using PCA–BEL

Cited by 48 publications

References 79 publications

Yumurtalık Kanseri Veri Kümesindeki Gen İfadelerinin Veri Madenciliği ile Analizi

Yumurtalık Kanseri Veri Kümesindeki Gen İfadelerinin Veri Madenciliği ile Analizi

A multi-objective heuristic algorithm for gene expression microarray data classification

The biological knowledge discovery by PCCF measure and PCA-F projection

Contact Info

Product

Resources

About