Identification of an Efficient Gene Expression Panel for Glioblastoma Classification.
Identification of an Efficient Gene Expression Panel for Glioblastoma Classification.
复制标题
DOI：
10.1371/journal.pone.0164649
复制
发表时间：
2016
期刊：
影响因子：
3.7
通讯作者：
Coppola G
中科院分区：
文献类型：
--
作者：
Crisman TJ;Zelaya I;Laks DR;Zhao Y;Kawaguchi R;Gao F;Kornblum HI;Coppola G
我们在这里提出了一种新的基于遗传算法的随机森林（GARF）建模技术，使大基因疾病的签名的复杂性降低到高度准确，大大简化的基因面板。当应用于803例多形性胶质母细胞瘤样本时，该方法允许将840个基因的Verhaak等人的基因组（该领域的标准）减少到48个基因的分类器，同时保持90.91%的分类准确率，并优于最好的可用替代方法。此外，使用这种方法，我们产生了一个32个基因的面板，允许RNA-seq和基于微阵列的分类之间更好的一致性，将跨平台分类保留率从69.67%提高到86.07%。产生这些分类的网页可在http://simplegbm.semel.ucla.edu上查阅。
We present here a novel genetic algorithm-based random forest (GARF) modeling technique that enables a reduction in the complexity of large gene disease signatures to highly accurate, greatly simplified gene panels. When applied to 803 glioblastoma multiforme samples, this method allowed the 840-gene Verhaak et al. gene panel (the standard in the field) to be reduced to a 48-gene classifier, while retaining 90.91% classification accuracy, and outperforming the best available alternative methods. Additionally, using this approach we produced a 32-gene panel which allows for better consistency between RNA-seq and microarray-based classifications, improving cross-platform classification retention from 69.67% to 86.07%. A webpage producing these classifications is available at http://simplegbm.semel.ucla.edu.
登录
查看更多内容
影响因子：
14.9
作者：
Jensen LJ;Kuhn M;Stark M;Chaffron S;Creevey C;Muller J;Doerks T;Julien P;Roth A;Simonovic M;Bork P;von Mering C
通讯作者：
von Mering C
影响因子：
5.2
作者：
Madhavan, Subha;Zenklusen, Jean-Claude;Kotliarov, Yuri;Sahni, Himanso;Fine, Howard A.;Buetow, Kenneth
通讯作者：
Buetow, Kenneth
G：Profiler- - 用于基因列表功能解释的Web服务器（2011年更新）。
影响因子：
14.9
作者：
Reimand J;Arak T;Vilo J
通讯作者：
Vilo J
影响因子：
14.9
作者：
SCHREIBER, E;HARSHMAN, K;FONTANA, A
通讯作者：
FONTANA, A
影响因子：
50.3
作者：
Phillips, HS;Kharbanda, S;Aldape, K
通讯作者：
Aldape, K