Key points are not available for this paper at this time.
Em nossas tentativas de entender a função celular em nível molecular, devemos ser capazes de sintetizar informações de tipos distintos de dados genômicos. Consideramos o problema de inferir classificações funcionais de genes a partir de um conjunto de dados heterogêneo que consiste em medições de expressão de microarray de DNA e perfis filogenéticos a partir de comparações de sequências de genomas inteiros. Demonstramos a aplicação do algoritmo de aprendizado de máquina de vetor de suporte (SVM) a essa tarefa de inferência funcional. Nossos resultados sugerem a importância de explorar informações anteriores sobre a heterogeneidade dos dados. Em particular, propomos uma função de kernel SVM que é explicitamente heterogênea. Além disso, descrevemos métodos de escalonamento de recursos para explorar ainda mais o conhecimento prévio de heterogeneidade, dando a cada tipo de dado pesos diferentes.
Pavlidis et al. (Mon,) estudaram essa questão.