Resumen

La expresión diferencial juega un papel importante en el diagnóstico y clasificación del cáncer. En los últimos años, se han utilizado muchos métodos para identificar genes diferencialmente expresados. Sin embargo, la tasa de reconocimiento y la confiabilidad de la selección de genes aún deben mejorarse. En este artículo, se propone un nuevo método restringido llamado factorización de matriz no negativa robusta a través del Laplaciano de grafo conjunto e información discriminativa (GLD-RNMF) para identificar genes diferencialmente expresados, en el cual el aprendizaje de variedades y la información discriminativa de etiquetas se incorporan en el modelo tradicional de factorización de matriz no negativa para entrenar la matriz objetivo. Específicamente, se impone la minimización de la norma - en tanto la función de error como en el término de regularización que es robusto a valores atípicos y ruido en los datos de genes. Además, se muestran las reglas de actualización multiplicativa y los detalles de la prueba de convergencia para el nuevo modelo. Los resultados experimentales en dos conjuntos de datos de cánc

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:Expresión diferencial; Diagnóstico de cáncer; Clasificación; Genes; GLD-RNMF; Factorización de matrices no negativas
• Keywords:Differential expression; Cancer diagnosis; Classification; Genes; GLD-RNMF; Nonnegative matrix factorization