Consiglio Nazionale delle Ricerche

Tipo di prodottoArticolo in rivista
TitoloEvaluating switching neural networks through artificial and real gene expression data
Anno di pubblicazione2009
Formato-
Autore/iM. Muselli, M. Costacurta, F. Ruffino
Affiliazioni autoriF. Ruffino: Dipartimento di Scienze dell'Informazione, Università degli Studi di Milano, via Comelico 39 , 20135 Milano, Italy, M. Costacurta e M. Muselli CNR IEIIT Genova
Autori CNR e affiliazioni
  • MASSIMILIANO COSTACURTA
  • MARCO MUSELLI VQR
Lingua/e
  • inglese
AbstractObjective: DNA microarrays offer the possibility of analyzing the expression level for thousands of genes concerning a specific tissue. An important target of this analysis is to derive the subset of genes involved in a biological process of interest. Here, a new promising method for gene selection is proposed, which presents a good level of accuracy and reliability. Methods and materials: The proposed technique adopts switching neural networks (SNN), a particular kind of connectionist models, to assign a relevance value to each gene, thus employing recursive feature addition (RFA) to derive the final list of relevant genes. To fairly evaluate the quality of the new approach, called SNN-RFA, its application on three real and three artificial gene expression datasets, generated according to a proper mathematical model that possesses biological and statistical plausibility, has been considered. In particular, a comparison with other two widely used gene selection methods, namely the signal to noise ratio (S2N) and support vector machines with recursive feature elimination (SVM-RFE), has been performed. Results: In all the considered cases SNN-RFA achieves the best performances, arriving to determine the whole collection of relevant genes in one of the three artificial datasets. The S2N method exhibits a quality similar to that of SNN-RFA, whereas SVM-RFE shows the worst behavior. Conclusion: The quality of the proposed method SNN-RFA has been established together with the usefulness of the mathematical model adopted to generate the artificial datasets of gene expression levels.
Lingua abstractinglese
Altro abstract-
Lingua altro abstract-
Pagine da163
Pagine a171
Pagine totali-
RivistaArtificial intelligence in medicine (Print)
Attiva dal 1989
Editore: Elsevier Science Publishers - Tecklenburg
Paese di pubblicazione: Paesi Bassi
Lingua: inglese
ISSN: 0933-3657
Titolo chiave: Artificial intelligence in medicine (Print)
Titolo proprio: Artificial intelligence in medicine. (Print)
Titolo abbreviato: Artif. intell. med. (Print)
Titolo alternativo: AIM (Print)
Numero volume della rivista45
Fascicolo della rivista2-3
DOI10.1016/j.artmed.2008.08.002
Verificato da refereeSì: Internazionale
Stato della pubblicazione-
Indicizzazione (in banche dati controllate)
  • ISI Web of Science (WOS) (Codice:000264946700008)
  • Scopus (Codice:2-s2.0-61449090610)
Parole chiaveGene selection, Machine learning, Switching neural networks, Recursive feature addition, Shadow clustering
Link (URL, URI)-
Titolo parallelo-
Data di accettazione-
Note/Altre informazioniSelected and revised paper Fourth International Meeting on Computational Intelligence methods for Bioinformatics and Biostatistics (CIBB, 2007) Portofino Vetta, Ruta di Camogli (Italy), July 2007
Strutture CNR
  • IEIIT — Istituto di elettronica e di ingegneria dell'informazione e delle telecomunicazioni
Moduli CNR
    Progetti Europei-
    Allegati
    • articolo pubblicato

    Dati associati a vecchie tipologie
    I dati associati a vecchie tipologie non sono modificabili, derivano dal cambiamento della tipologia di prodotto e hanno solo valore storico.
    Editore
    • ELSEVIER SCIENCE BV, PO BOX 211, 1000 AE AMSTERDAM, NETHERLANDS, AMSTERDAM (Paesi Bassi)

    Dati storici
    I dati storici non sono modificabili, sono stati ereditati da altri sistemi (es. Gestione Istituti, PUMA, ...) e hanno solo valore storico.
    Area disciplinareComputer Science & Engineering
    Area valutazione CIVRScienze matematiche e informatiche
    Rivista ISIARTIFICIAL INTELLIGENCE IN MEDICINE [10027J0]