Key points are not available for this paper at this time.
خلفية: مثل التحقيقات المستندة إلى الميكروأري، تتطلب تقنيات البروتيوميات عالية الإنتاجية خوارزميات تعلم آلي لتحديد المؤشرات الحيوية المفيدة لمشاكل التصنيف البيولوجي. تحتاج خوارزميات اختيار الميزات والتصنيف إلى أن تكون قوية أمام الضجيج والقيم الشاذة في البيانات. النتائج: قمنا بتطوير خوارزمية آلة الدعم التكرارية (R-SVM) لاختيار الجينات/المؤشرات الحيوية الهامة لتصنيف البيانات المشوشة. قمنا بمقارنة أدائها بأسلوب مشابه وحديث (إزالة الميزات التكرارية SVM أو SVM-RFE)، مع إيلاء اهتمام خاص لقدرتها على استعادة الجينات/المؤشرات الحيوية المعلومة الحقيقية والصلابة أمام القيم الشاذة في البيانات. تظهر تجارب المحاكاة أنه يمكن تحقيق تحسين بنسبة 5% إلى حوالي 20% مقارنة بهذه الخصائص مقارنة بـ SVM-RFE. كما تتم مقارنة الطرق المعتمدة على SVM بأسلوب أحادي المتغير تقليدي ومناقشة نقاط القوة والضعف الخاصة بهما. تم تطبيق R-SVM على مجموعتين من بيانات بروتيوميات SELDI-TOF-MS، واحدة من دراسة سرطان الثدي البشري والأخرى من دراسة حول تليف الكبد في الفئران. تم التحقق من المؤشرات الحيوية الهامة التي وجدتها الخوارزمية من خلال تجارب بيولوجية لاحقة. الاستنتاج: الطريقة المقترحة R-SVM مناسبة لتحليل البروتيوميات عالية الإنتاجية وبيانات الميكروأري المشوشة وتتفوق على SVM-RFE في الصلابة أمام الضجيج وفي القدرة على استعادة الميزات المفيدة. تتفوق الطريقة متعددة المتغيرات المعتمدة على SVM على الطريقة أحادية المتغير في أداء التصنيف، ولكن يمكن أن تكشف الطرق أحادية المتغير عن المزيد من الميزات المعبر عنها بشكل مختلف، خاصة عندما تكون هناك علاقات بين الميزات.
درس Zhang et al. (Mon،) هذا السؤال.