La agrupación de muestras tumorales puede ayudar a identificar los tipos de cáncer y descubrir nuevos subtipos de cáncer, lo que es esencial para un tratamiento eficaz del cáncer. Aunque se han propuesto muchos métodos tradicionales de clustering para la agrupación de muestras tumorales, todavía se necesitan algoritmos avanzados con mejor rendimiento. El clustering de subespacio de bajo rango es un algoritmo muy popular en los últimos años. En este trabajo, proponemos un nuevo método de segmentación de subespacio de bajo rango robusto de un solo paso (ORLRS) para la agrupación de la muestra del tumor. Para un conjunto de datos de expresión genética, buscamos su matriz de representación de menor rango y la matriz de ruido. Al imponer la restricción discreta en la matriz de bajo rango, sin realizar el clustering espectral, ORLRS aprende los indicadores de cluster de los subespacios directamente, es decir, realizando la tarea de clustering en un solo paso. Para mejorar la robustez del método, se adopta la norma capada para eliminar los datos extremos atípicos en la matriz de ruido. Además, llevamos a cabo una solución eficiente para resolver el problema de ORLRS. Los experimentos con varios datos de expresión genética de tumores demuestran la eficacia de ORLRS.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Nanopartículas magnéticas de zinc y calcio para aplicaciones en hipertermia magnética
Artículo:
Nanosensores para un sistema de vigilancia en envases inteligentes y activos
Artículo:
Preparación de tres tipos de nanofluidos a base de aceite de transformador y estudio comparativo del efecto de las concentraciones de nanopartículas en la propiedad aislante del aceite de transformador
Artículo:
Bio-terrorismo: un llamado a una acción renovada
Artículo:
Efecto de la proporción de volumen de Ag@TiO2 en el núcleo en las características de las DSSCs basadas en TiO2