{"id":108860,"date":"2011-03-06T00:00:00","date_gmt":"2011-03-06T00:00:00","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/feature-selection-in-cancer-research-microarray-gene-expression-and-in-vivo-1h-mrs-domains\/"},"modified":"2011-03-06T00:00:00","modified_gmt":"2011-03-06T00:00:00","slug":"feature-selection-in-cancer-research-microarray-gene-expression-and-in-vivo-1h-mrs-domains","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/matematicas\/feature-selection-in-cancer-research-microarray-gene-expression-and-in-vivo-1h-mrs-domains\/","title":{"rendered":"Feature selection in cancer research: microarray gene expression and in vivo 1h-mrs domains"},"content":{"rendered":"<h2>Tesis doctoral de <strong> F\u00e9lix Fernando Gonz\u00e1lez Navarro <\/strong><\/h2>\n<p>En esta tesis, contribuciones en el campo de la selecci\u00f3n de atributos son expuestas y aplicadas en el an\u00e1lisis de dos dominios m\u00e9dicos: la expresi\u00f3n de genes en microarreglos de diversos c\u00e1nceres y la espectroscometr\u00eda de resonancia magn\u00e9tica prot\u00f3nica 1h-mrs de tumores cerebral. Estos dos tipos de datos comparten una caracter\u00edstica com\u00fan, su alta dimensionalidad y su escaces, pero divergen en algunos aspectos importantes, haciendo su modelaci\u00f3n una tarea diferenciada. Esto gui\u00f3 el dise\u00f1o y desarrollo de algoritmos ad hoc, cuya concepci\u00f3n estuvo basada en mantener en mente la obtenci\u00f3n de soluciones \u00fatiles \u00c2\u00bfi.E. Modelos de clasificaci\u00f3n\u00c2\u00bfen t\u00e9rminos de simplicidad, facilidad de implementaci\u00f3n y de demanda computacional accesible. Algunas contribuciones son hechas a nivel de dise\u00f1o de algoritmos, algunas en el desarrollo de medidas para la b\u00fasqueda de subconjuntos de genes y\/o puntos espectrales relevantes, y otras son hallazgos meramente experimentales.  el algoritmo termodin\u00e1mico de selecci\u00f3n de atributos (tafs) es presentado como una estrategia de b\u00fasqueda para la selecci\u00f3n de atributos (sa) basado en el algoritmo de recocido simulado (rs). Surgido fundamentalmente del recocido de metales, en el campo de la metalurgia, el rs es un m\u00e9todo probabil\u00edstico de b\u00fasqueda para encontrar el m\u00ednimo global de una funci\u00f3n que posee muchos m\u00ednimos locales. Dos versiones de este algoritmo fueron desarrolladas, la primera de ellas, encuentra subconjuntos de atributos con una b\u00fasqueda acoplada hacia adelante y hacia atr\u00e1s y optimiza agresivamente cualquier funci\u00f3n criterio \u00c2\u00bfen nuestro caso, el mejor subconjunto de atributos en el espacio de b\u00fasqueda\u00c2\u00bf a expensas de consumir tiempo computacional de manera considerable. El segundo introduce una modificaci\u00f3n en la etapa hacia atr\u00e1s con el prop\u00f3sito de lograr un esfuerzo computacional m\u00e1s manejable, siendo por lo tanto capaz de tratar con problemas de alta dimensi\u00f3n. Los dos algoritmos son ejecutados en una variedad de conjuntos de datos p\u00fablicos ampliamente conocidos y algunos creados artificialmente. Un tercer algoritmo basado en rs que usa una implementaci\u00f3n de una nueva forma de calcular medidas entr\u00f3picas es presentado. Esta \u00faltima contribuci\u00f3n incremente considerablemente la velocidad de b\u00fasqueda de rs tanto que dominios de alta complejidad, como los datos de expresi\u00f3n de genes en microarreglos, son posibles de analizarse en la b\u00fasqueda de subconjuntos de atributos. contribuciones en el estudio de expresi\u00f3n de genes en microarreglos son presentados como sigue: el algoritmo de filtrado entr\u00f3pico (efa) para la sa es descrito como un m\u00e9todo para generar subconjuntos de genes relevantes. Es un veloz m\u00e9todo de sa basado en la b\u00fasqueda de subconjuntos de atributos que maximizan conjuntamente la entrop\u00eda condicional multivariada normalizada con respecto a la habilidad de clasificaci\u00f3n de tumores. Efa es probado en combinaci\u00f3n con una gran cantidad de algoritmos de aprendizaje de m\u00e1quina en cinco conjuntos de microarreglos de dominio p\u00fablico. En segunda instancia, sugerimos el uso, para medir la relevancia de subconjunto de genes, del filtrado entr\u00f3pico de atributos mediante la consideraci\u00f3n de la influencia de dos atributos sobre la variable de clase de manera simult\u00e1nea. Muestreo bootstrap es usado con el objetivo de entregar soluciones tan estables como sea posible, as\u00ed como sus intervalos de confianza para los resultados de clasificaci\u00f3n. Tanto como 5,000 muestras bootstrap son analizadas con el algoritmo estrategia de b\u00fasqueda del mejor subconjunto de genes (bg3s).<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Feature selection in cancer research: microarray gene expression and in vivo 1h-mrs domains<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Feature selection in cancer research: microarray gene expression and in vivo 1h-mrs domains <\/li>\n<li><strong>Autor:<\/strong>\u00a0 F\u00e9lix Fernando Gonz\u00e1lez Navarro <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Polit\u00e9cnica de catalunya<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 03\/06\/2011<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>LLuis Antoni Belanche Mu\u00f1oz<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: Jos\u00e9 crist\u00f3bal Riquelme santos <\/li>\n<li>alioune Ngnom (vocal)<\/li>\n<li>Jos\u00e9 Javier Lorenzo navarro (vocal)<\/li>\n<li>tomas Aluja banet (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de F\u00e9lix Fernando Gonz\u00e1lez Navarro En esta tesis, contribuciones en el campo de la selecci\u00f3n de atributos son [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[2528,126,15596],"tags":[218014,218013,62593,39768,180867,28285],"class_list":["post-108860","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","category-matematicas","category-politecnica-de-catalunya","tag-alioune-ngnom","tag-felix-fernando-gonzalez-navarro","tag-jose-cristobal-riquelme-santos","tag-jose-javier-lorenzo-navarro","tag-lluis-antoni-belanche-munoz","tag-tomas-aluja-banet"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108860","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=108860"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108860\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=108860"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=108860"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=108860"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}