Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Face Recognition via Domain Adaptation and Manifold Distance Metric Learning Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Classifying DNA Microarray for Cancer Diagnosis via Method Based on Complex Networks

verfasst von : Peng Wu, Likai Dong, Yuling Fan, Dong Wang

Erschienen in: Intelligent Computing Theories and Application

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Performing microarray expression data classification can improve the accuracy of a cancer diagnosis. The varying technique including Support Vector Machines (SVMs), Neuro-Fuzzy models (NF), K-Nearest Neighbor (KNN), Neural Network (NN), and etc. have been applied to analyze microarray expression data. In this investigation, a novel complex network classifier is proposed to do such thing. To build the complex network classifier, we tried a hybrid method based on the Particle Swarm Optimization algorithm (PSO) and Genetic Programming (GP), of which GP aims at finding an optimal structure and PSO accomplishes the fine tuning of the parameters encoded in the proposed classifier. The experimental results conducted on Leukemia and Colon data sets are comparable to the state-of-the-art outcomes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Global Adaptive and Local Scheduling Control for Smart Isolated Intersection Based on Real-Time Phase Saturability
Nächstes Kapitel Predicting Multisite Protein Sub-cellular Locations Based on Correlation Coefficient
Literatur
1.
2.
Annunziato, M., Bertini, I., Felice, M., Pizzuti, S.: Evolving complex neural networks. In: Basili, R., Pazienza, M.T. (eds.) AI*IA 2007. LNCS, vol. 4733, pp. 194–205. Springer, Heidelberg (2007). doi:10.​1007/​978-3-540-74782-6_​18 CrossRef
3.
4.
Chen, Y., Zhao, Y.: A novel ensemble of classifiers for microarray data classification. Appl. Soft Comput. 8(4), 1664–1669 (2008)CrossRef
5.
Furey, T.S., Cristianini, N., Duffy, N., Bednarski, D.W., Schummer, M., Haussler, D.: Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics 16(10), 906–914 (2000)
6.
Jirapech Umpai, T., Aitken, S.: Feature selection and classification for microarray data analysis: evolutionary methods for identifying predictive genes. BMC Bioinform. 6(1), 148 (2005)CrossRef
7.
Kennedy, J.: Particle swarm optimization. In: Sammut, C., Webb, G.I. (eds.) Encyclopedia of Machine Learning, pp. 760–766. Springer, US (2011)
8.
Koza, J.R.: Genetic Programming: on the Programming of Computers by Means of Natural Selection, vol. 1. MIT Press, Cambridge (1992)
9.
Lai, Y.C., Motter, A.E., Nishikawa, T.: Attacks and cascades in complex networks. In: Ben-Naim, E., Frauenfelder, H., Toroczkai, Z. (eds.) Complex Networks. Lecture Notes in Physics, vol. 650, pp. 299–310. Springer, Heidelberg
10.
Mehmood, R., et al.: Clustering by fast search and merge of local density peaks for gene expression microarray data. Sci. Rep. 7, 45602 (2017)CrossRef
11.
Niedzwiecki, D., Frankel, W.L., Venook, A.P., Ye, X., Friedman, P.N., Goldberg, R.M., Mayer, R.J., Colacchio, T.A., Mulligan, J.M., Davison, T.S., et al.: Association between results of a gene expression signature assay and recurrence-free interval in patients with stage II colon cancer in cancer and leukemia group B 9581(alliance). J. Clin. Oncol. 34(25), 3047–3053 (2016)CrossRef
12.
Wang, Z., Palade, V., Xu, Y.: Neuro-fuzzy ensemble approach for microarray cancer gene expression data analysis. In: 2006 International Symposium on Evolving Fuzzy Systems, pp. 241–246. IEEE (2006)
13.
Zanin, M., Papo, D., Sousa, P.A., Menasalvas, E., Nicchi, A., Kubik, E., Boccaletti, S.: Combining complex networks and data mining: why and how. Phys. Rep. 635, 1–44 (2016)MathSciNetCrossRef
14.
Huang, D.S.: Systematic Theory of Neural Networks for Pattern Recognition (in Chinese), Publishing House of Electronic Industry of China, May 1996
15.
Ji, Z., Wu, D., Zhao, W., et al.: Systemic modeling myeloma-osteoclast interactions under normoxic/hypoxic condition using a novel computational approach. Sci. Rep. 5 (2015)
16.
Wang, B., Zhang, J., Chen, P., et al.: Prediction of peptide drift time in ion mobility mass spectrometry from sequence-based features. BMC Bioinform. 14(8), S9 (2013)CrossRef
17.
Huang, D.S., Yu, H.-J.: Normalized feature vectors: a novel alignment-free sequence comparison method based on the numbers of adjacent amino acids. IEEE/ACM Trans. Comput. Biol. Bioinform. 10(2), 457–467 (2013)
18.
Ji, Z., Wu, G., Hu, M.: Feature selection based on adaptive genetic algorithm and SVM. Comput. Eng. 14, 072 (2009)
Metadaten
Titel
Classifying DNA Microarray for Cancer Diagnosis via Method Based on Complex Networks
verfasst von
Peng Wu
Likai Dong
Yuling Fan
Dong Wang
Copyright-Jahr
2017
Buch
Intelligent Computing Theories and Application

Print ISBN: 978-3-319-63311-4

Electronic ISBN: 978-3-319-63312-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-63312-1_66