Generalized centroid estimators in bioinformatics.
Generalized centroid estimators in bioinformatics.
复制标题
DOI：
10.1371/journal.pone.0016450
复制
发表时间：
2011-02-18
期刊：
影响因子：
3.7
通讯作者：
Asai K
中科院分区：
文献类型：
--
作者：
Hamada M;Kiryu H;Iwasaki W;Asai K
在生物信息学中的许多估计问题中，通常会给出目标问题的精度度量，设计适合于这些精度度量的估计器是很重要的。然而，在使用的估计器和给定的问题的精确度量之间经常存在差异。在本研究中，我们引入了一类用于高维二元空间估计问题的有效估计量，这些估计量代表了生物信息学中的许多基本问题。理论分析表明，所提出的估计量基本符合常用的精度度量（如灵敏度、PPV、MCC和F-score），并且在许多情况下可以有效地计算，从最大期望精度原则（MEA）的角度涵盖了生物信息学中的广泛问题。研究还表明，生物信息学中一些重要的算法可以用统一的方式解释。本文提出的概念不仅为设计基于mea的估计器提供了一个有用的框架，而且具有高度的可扩展性，为生物信息学中的许多问题提供了新的思路。
In a number of estimation problems in bioinformatics, accuracy measures of the target problem are usually given, and it is important to design estimators that are suitable to those accuracy measures. However, there is often a discrepancy between an employed estimator and a given accuracy measure of the problem. In this study, we introduce a general class of efficient estimators for estimation problems on high-dimensional binary spaces, which represent many fundamental problems in bioinformatics. Theoretical analysis reveals that the proposed estimators generally fit with commonly-used accuracy measures (e.g. sensitivity, PPV, MCC and F-score) as well as it can be computed efficiently in many cases, and cover a wide range of problems in bioinformatics from the viewpoint of the principle of maximum expected accuracy (MEA). It is also shown that some important algorithms in bioinformatics can be interpreted in a unified manner. Not only the concept presented in this paper gives a useful framework to design MEA-based estimators but also it is highly extendable and sheds new light on many problems in bioinformatics.
登录
查看更多内容
影响因子：
14.9
作者：
Hamada M;Sato K;Asai K
通讯作者：
Asai K
影响因子：
14.9
作者：
Frith MC;Wan R;Horton P
通讯作者：
Horton P
影响因子：
14.9
作者：
Ding, Y;Chan, CY;Lawrence, CE
通讯作者：
Lawrence, CE
影响因子：
1.8
作者：
HOFACKER, IL;FONTANA, W;SCHUSTER, P
通讯作者：
SCHUSTER, P
影响因子：
1.7
作者：
Holmes, I;Durbin, R
通讯作者：
Durbin, R