Resumen

La agrupación de muestras tumorales puede ayudar a identificar los tipos de cáncer y descubrir nuevos subtipos de cáncer, lo que es esencial para un tratamiento eficaz del cáncer. Aunque se han propuesto muchos métodos tradicionales de clustering para la agrupación de muestras tumorales, todavía se necesitan algoritmos avanzados con mejor rendimiento. El clustering de subespacio de bajo rango es un algoritmo muy popular en los últimos años. En este trabajo, proponemos un nuevo método de segmentación de subespacio de bajo rango robusto de un solo paso (ORLRS) para la agrupación de la muestra del tumor. Para un conjunto de datos de expresión genética, buscamos su matriz de representación de menor rango y la matriz de ruido. Al imponer la restricción discreta en la matriz de bajo rango, sin realizar el clustering espectral, ORLRS aprende los indicadores de cluster de los subespacios directamente, es decir, realizando la tarea de clustering en un solo paso. Para mejorar la robustez del método, se adopta la norma capada para eliminar los datos extremos atípicos en la matriz de ruido. Además, llevamos a cabo una solución eficiente para resolver el problema de ORLRS. Los experimentos con varios datos de expresión genética de tumores demuestran la eficacia de ORLRS.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:datos de expresión génica, muestra tumoral, matriz de ruido, nuevos subtipos de cáncer, métodos tradicionales de agrupación, datos extremos atípicos, problema de orlrs, agrupación de muestras tumorales, matriz de representación de rangos, tratamiento eficaz del cáncer
• Keywords:gene expression data, tumor sample, noise matrix, new cancer subtypes, traditional clustering methods, extreme data outlier, problem of orlrs, tumor sample clustering, rank representation matrix, effective cancer treatment