監督式學習與非監督式學習為主的資料探勘技術應用於癌症基因表現.ppt

* 監督式學習與非監督式學習為主的資料探勘技術應用於癌症基因表現資訊之研究 研究生:鍾翔航 指導教授:李俊宏博士 * Outlines Introduction goal Related Techniques Experiments Results Analyses Conclusions Future Work Data integration * Introduction 傳統檢驗法 預培養 (preculture) 選擇性培養基培養 (selective medium culture) 生化型鑑定 (biotype test) 血清型鑑定 (Serotype test) DNA 探針 PCR fingerprinting multiplex-PCR DNA定序 PCR-RFLP gene-specific probe hybridization ribotyping microarray * Goal 由於微陣列晶片靈敏度高導致準確度下降 BLAST(Basic Local Alignment Search Tool)同源性比對，northern blotting和RT-PCR進行驗證。 只靠微陣列晶片就能獲得可信的成果，對基因分析、解讀將會是一個很大的進步。 * Related Techniques 手工分類法 非監督聚類法 配對平均連鎖聚類分析(K -mean ) 混合聚類法 通過將每一數據點傅立葉變換尋找那些表達呈週期性變化的基因，比如細胞週期涉及的基因 * Experiments * Data Pre-Processing Gene Selection Stanford NCI60 Cancer Microarray Project 9712 gene，2549 named RPL3、SOD2、CDC42、FN1(lung carcinoma) 正規化(去除螢光染料之背景干擾) Raw Log Ratio = log10 ( Rf – Rb ) - log10 ( Gf – Gb ) * SVMs Classifiers Deciding Deciding SVM Classifier Decision Function W Kernel Function Output Decision Value 9712 gene * Results Analyses (SVMs -1) SVM Kernel Type Gamma值 群的大小 正確的GENE數 Precision Recall F1 Linear 　 16 16 1 0.7619 0.86486 Polynomial 3 21 21 1 1 1 RBF 5 19 19 1 0.90476 0.95 SVM of Ribosomal protein L3(60436) SVM Kernel Type Gamma值 群的大小 正確的GENE數 Precision Recall F1 Linear 　 15 15 1 0.71429 0.83333 Polynomial 3 21 21 1 1 1 RBF 5 21 21 1 1 1 SVM of Ribosomal protein L3(376861) SVM Kernel Type Gamma值 群的大小 正確的GENE數 Precision Recall F1 Linear 　 14 14 1 0.66667 0.8 Polynomial 4 21 21 1 1 1 RBF 5 20 20 1 0.95238 0.97561 SVM of Ribosomal protein L3(256323) * Results Analyses (SVMs -2) SVM Kernel Type Gamma值 群的大小 正確的GENE數 Precision Recall F1 Linear 　 32 32 1 0.8 0.88889 Polynomial 3 40 40 1 1 1 RBF 5 39 39 1 0.975 0.98734 SVM of Ribosomal protein L3(60436)(376861) SVM Kernel Type Gamma值 群的大小 正確的GENE數 Precision Recall F1 Linear 　 29 29 1 0.74359 0.85294 Polynomial 4 39 39 1 1 1 RBF 5 37 37 1 0.94872 0.97368 SVM of Ribosomal protein L3(60436)(256323) SVM Kernel Type Gamma值 群的大小 正確的GENE數