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。


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)