Zastosowanie metody cząsteczkowych najmniejszych kwadratów (PLS) do klasyfikacji danych mikromacierzowych

• Autorzy: Błaszczyk P. , Stąpor K.

Warianty tytułu

EN

An application of Partial Least Squares method (PLS) for classification of microarray data

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wprowadzenie metody cząsteczkowych najmniejszych kwadratów (PLS) i jej zastosowanie w klasyfikacji danych mikromacierzowych. W tym celu porówanano ze sobą dwie metody klasyfikacji - liniową dyskryminację Fishera (FLD) oraz metodę cząsteczkowych najmniejszych kwadratów (PLS). Jako dane mikromacierzowe wykorzystano symulowane zbiory danych oraz dane biologiczne.

EN

In this paper we present methematical introduction of Partial Least Squares metod (PSL) and application for classification microarray data. To do this application two classification methods was compared - Fisher linear discriminant (FLD) and partial Least Squares (PLS) applied to classification of microarray data are compared. The simulation and biological datasets are used as a microarray gene expresion data.

Słowa kluczowe

PL

dane mikromacierzowe; dyskryminacja; kwadrat cząstkowy

EN

microarray data; PLS; Partial Least Square; discriminant; FLD; Fisher Linear Discriminant; partial square

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2007
• Tom: Vol. 28, nr 2
• Strony: 31--45
• Opis fizyczny: Bibliogr. 27 poz.

Twórcy

autor

Błaszczyk P.

autor

Stąpor K.

• Politechnika Śląska, Instytut Informatyki, ul. Akademicka 16, 44-100 Gliwice,

Bibliografia

• 1. Bastien P., Yinzi V. E., Tenenhaus M.: PLS generalised linear regression. Computational Statistics & Data Analysis, 48 (2005), pp. 17-46.
• 2. Broberg P.: Statistical methods for ranking differentaially expressed genes. Genome Biology2003, $:R41.
• 3. Duda R. O., Hart P. E., Stork D. G.: Pattern classification 2ed. Wiley, New York 2000.
• 4. Dudoit S., Yang Y. H., Callow M. J., Speed T .P.: Statistical methods for identifymg differentially expressed genes in replicated cDNA microarray experiments. Technical Report 578, Department of Statistics, UC Berkeley, CA, 2000.
• 5. Efron B.: Estimating the error rate of prediction nile improvement on cross-validation. Journal of the American Statistical Association, 1983, Vol. 78, No. 382.
• 6. Fukunaga K.: Łitroduction to Statistical pattern recognition. Academic Press Professional, New York 1990.
• 7. Garthwaite P. H.: A interpretation of Partial Least Sąuares. Journal of the Amerian Statistical Association, March 1994, 89,425, ABI/INFORM Global, pp. 122.
• 8. Ge Y., Dudoit S., Speed T. P.: Resampling-based multiple testing for microarray data analysis. Technical Report 663, Department of Statistics, UC Berkeley, CA, 2003.
• 9. Geladi P., Kowalski B. R.: Partial Least-Sąuares Regression: A tutorial, Analytica Chemica Acta, 185 (1986), 1-17.
• 10. Helland I. S.: Partial Least Squares Regression and Statictical Models, Scand. J. Statist 17,1990, pp. 97-114.
• 11. Hoskuldsson A.: PLS Regression methods, Journal of Chemometrics. vol 2 (1988), pp. 211-228.
• 12. Hoskuldsson A.: Yariable and subset selection in PLS regression. Chemometrics and Intelligent labolatory Systems, 55 (2001), pp. 23-38.
• 13. Liu Z., Tian J. P., Chen D.: Cancer Classification with Partial Least Square Algorithm and Proteomic Data.
• 14. Liu Z., Chen D., Tian J. P.: Classification of Proteomic Data with Multiclass Logistic Partial Least Sqare Algorithm.
• 15. Marąues de Są J. P.: Pattern recognition. Concepts, methods, and applications, Springer,2001.
• 16. Nguyen D. V., Rocke D. M.: Tumor classidication by Partial Least Square using microarray gene expression data. Bioinformatics, Yol. 18, No. l, 2002, pp. 39-50.
• 17. Nguyen D. V., Rocke D. M., On Partial Least Square dimension reduction for microarray-based Classification: a simulation study. Computational Statistic & Data Analysis, 46, 004, pp. 407-425.
• 18. Rosipal R., Trejo L. J.: Kernel Partial Least Sąuare Regression in Reproducing Kernel Lilbert Space.
• 19. Sellin N., Yersand O.: Partial Least Sąuare Modeling in Research on Educational Achievement.
• 20. Wold H.: Soft Modeling by Latent Yariables: The Non-Linear Iterative Partial Least Squares (NIPALS) Approach, Perspectiyes in Probability and Statistics. Papers in Honour f M. S. Bartlett, London 1975, pp. 117-142
• 21. Wold S., Martens H., Wold H.: The multivariate calibration problem in chemistry solved y the PLS method. Proc. Conf. Matrix Pencils, (A. Ruhe and B. Kagstrom, eds.), March 982, Lecture Notes in Mathematics, Springer Yerlag, Heidelberg, pp. 286-93.
• 22. Wold S., Ruhe A., Wold H.: The collinearity problem in linear regession. The partial least ąuares (PLS) approach to generalized inverses. SIAM J. Sci. Stat. Comput. Yol. 5, No. 3,Septembre 1984.
• 23. Wold S., Sjostrom M., Eriksson L.: PLS-regression: a basic tool of Chemometrics, hemometrics and Intelligent labolatory Systems, 58,2001, pp. 109-130.
• 24. Yapnik V. N.: Statistical Learning Theory. Wiley, New York 1998.
• 25. Yapnik V. N.: The nature of statistical learning theory 2ed. Springer, 2000.
• 26. http://www.broad.mit.edu.
• 27. http://microarray.princeton.edu/oncology/affydata/index.html