Método de Seleção de Atributos em dados de expressão gênica obtida pela técnica de microarranjos: Uma proposta de aplicação
Bibliographic record
Abstract
OBJETIVO: Apesar dos avancos em diagnosticos, a neoplasia e um grande desafio para os pesquisadores devido a sua alta complexidade, os estudos apontam que, alem da analise de dados, sao necessarios metodos que otimizem e auxiliem o processo de tomada de decisao. Neste sentido, a reducao de dimensionalidade tem contribuido significativamente, pois reduzem dados sem significância em uma determinada base de dados, auxiliando nesse processo, em que muitas vezes, aqueles sao encontrados em analises de expressao genica. Isso se deve a quantidade de genes (atributos), que e muito ampla se comparada ao numero de amostras (classes). METODOS: este trabalho, portanto, visa fornecer um estudo comparativo entre dois metodos de reducao de dimensionalidade, aplicados em tres bases de dados no dominio de expressao genica: LungCancer-Michigan, LungCancer-Ontario e LungCancer-Harvard, todas relacionadas ao câncer de pulmao. O metodo aplicado foi a Selecao de Atributos usado como uma etapa de pre-processamento na Mineracao de Dados. Foi utilizado o Weka como software para procedimentos de analise. RESULTADOS: foram evidenciados avancos significativos nas taxas de acerto (acuracia) dos classificadores envolvendo o metodo empregado. CONCLUSAO: A abordagem Wrapper , do metodo de Selecao de Atributos, obteve os melhores resultados para as tres bases de dados analisadas. Foram denotados os atributos (genes) que apresentaram maior frequencia nas bases de dados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".