总结
本文将预测性分析方法应用于基因组拷贝数畸变（CNA），结合基因表达和临床数据来识别癌症病理生理学的分子模式。平台的预测模型和最佳特征列表由一个完整的基于SVM的机器学习验证系统开发。在乳腺癌数据集上计算并结合基因组CNA位点排名表（通过比较基因组杂交阵列（aCGH）评估）和差异表达基因（通过Affy HG-U133A芯片微阵列分析评估），以区分Luminal/ER+（Lum/ER+）和Basal-like/ER-类。开发了不同的编码并应用于CNA数据，并讨论了预测变量的选择。我们分析了平台之间的配置信息组合，并考虑了病理生理数据。通过染色体获得和丢失以及差异表达基因的分类，确定了对分类有不同反应的特定患者子集，证实了基因组CNA可以代表肿瘤分类的独立来源的观点。
在线发布：2016-10-18
印刷出版：2007-12-1
本作品是根据Creative Commons Attribution-NonCommercial-NoDerivatives 4.0许可证授权的。
