混合组学

mixOmics:Omics数据集成项目。该软件包提供了分析高维数据集的统计综合技术和变体：正则化的CCA和稀疏PLS，以解开大小（nxp）和（nxq）两个异构数据集之间的关系，其中p和q变量是在同一个样本或个体n上测得的。这些数据可能来自高通量技术，例如需要综合或联合分析的组学数据（例如转录组学、代谢组学或蛋白质组学数据）。然而，混合组学也可以应用于p+q>>n的任何其他大型数据集。rCCA是CCA的一个正则化版本，用于处理大量的变量。sPLS允许一步选择变量，并提出了两种框架：回归和规范分析。提供了许多图形输出来帮助解释结果。最近的方法发展包括：稀疏PLS判别分析、独立主成分分析和基于数据方差分解的多级分析。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献29条)

显示第1到第20个结果，共29个。
按年份排序(引用)
  1. 阿奎莱拉·莫里罗，M.卡门；Aguilera，Ana M.：生物力学数据的多类分类：基于多类惩罚功能PLS的功能性LDA方法（2020）
  2. 布罗克，卡米洛；卡尔沃，博尔贾；Liquet，Benoit：应用于结构化数据的惩罚偏最小二乘法（2020）
  3. 乖乖，罗宾；Poggi，Jean-Michel：随机森林与R（2020）
  4. 科巴克，德米特里；洛蒙，乔纳森；Sanchez，Benoit:由于隐式岭正则化（2020），实际高维数据的最优岭惩罚可以为零或负（2020）
  5. 马丁，瑞安；唐一奇：稀疏高维线性回归预测的经验先验（2020）
  6. 张帆；米奇尼科夫斯基，杰弗里·C。；Tritchler，David L.：监督和稀疏功能基因组路径的识别（2020年）
  7. 朱光裕；苏志华：基于包络的稀疏偏最小二乘法（2020）
  8. 皮埃尔·法耶；酒，贝诺；Sutton，Matthew:PLS for Big Data:正则化群PLS的统一并行算法（2019）
  9. 费耶里格尔，斯特凡；戈登，朱利叶斯：基于新闻的宏观经济指标预测：可解释预测的语义路径模型（2019）
  10. 贾恩，雅希塔；丁，姗姗；邱静：多元组学综合数据分析的切片逆回归（2019）
  11. 萨顿，马修；门格森，凯丽；Liquet，Benoit:[HDDA]稀疏子空间约束偏最小二乘法（2019）
  12. 伊伯特，艾莉莎；Vialaneix，Nathalie:探索、处理、插补和评估统计分析中的缺失数据：现有方法综述（2018）
  13. Jalal K.Siddiqui，Elizabeth Baskin，Mingrui Liu，Carmen Z.Cantemir Stone，Bofei Zhang，Russell Bonneville，Joseph P.McElroy，Kevin R.Coombes，Ewy A.Mathé：IntLIM：使用代谢组学和基因表达数据的线性模型进行整合（2018年）阿尔十四
  14. 佩罗特·多克斯，玛丽；Lévy Leduc，Céline公司；奇奎特，朱利安；圣桑奈特，劳尔；布吕盖尔，玛歌；爱蒂安，玛丽·皮埃尔；罗宾，圣潘；Genta Jouve，Grégory:多元线性模型中的变量选择方法：在LC-MS代谢组学数据中的应用（2018）
  15. Benoît Liquet和Leonardo Bottolo、Gianluca Campanella、Sylvia Richardson和Marc Chadeau Hyam:R2GUESS：基于图形处理单元的多元响应贝叶斯变量选择回归R包（2016）不是zbMATH
  16. 陈明坤；Vigneau，Evelyne:变量监督聚类（2016）
  17. Robin Genuer，Jean-Michel Poggi，Christine Tuleau-Malot:VSURF：使用随机森林进行变量选择的R包（2015）不是zbMATH
  18. 洛克，埃里克F。；霍德利，凯瑟琳A。；马龙，J.S。；Nobel，Andrew B.：用于综合分析多种数据类型的联合和个体差异解释（JIVE）（2013年）
  19. 马丁宁，佩卡；吉尔伯格，朱西；阿基哈夫林娜；科兰德，朱卡；Kaski，Samuel:高维表型的全基因组关联研究（2013）
  20. 吉田、久子；川口市，Atsushi；Tsuruya，Kazuhiko:用于脑成像数据的径向基函数稀疏偏最小二乘法（2013）