Application of independent component analysis to microarrays.
Application of independent component analysis to microarrays.
复制标题
DOI：
10.1186/gb-2003-4-11-r76
复制
发表时间：
2003
期刊：
影响因子：
12.3
通讯作者：
Batzoglou S
中科院分区：
文献类型：
--
作者：
Lee SI;Batzoglou S
线性和非线性独立成分分析（伊卡）被用来投影微阵列数据到统计上独立的组件，对应于假定的生物过程，并根据在每个组件的过度或表达不足的基因聚类。我们应用线性和非线性独立成分分析（伊卡）项目的微阵列数据到统计上独立的组件，对应于假定的生物过程，并根据在每个组件的过度或表达不足的基因进行聚类。我们测试了聚类内基因注释富集的统计学显著性。伊卡优于其他领先的方法，如主成分分析，k-means聚类和格子模型，在构建功能一致的集群从酿酒酵母，秀丽隐杆线虫和人类的微阵列数据集。
Linear and nonlinear independent component analysis (ICA) was used to project microarray data into statistically independent components that correspond to putative biological processes, and to cluster genes according to over- or under-expression in each component. We apply linear and nonlinear independent component analysis (ICA) to project microarray data into statistically independent components that correspond to putative biological processes, and to cluster genes according to over- or under-expression in each component. We test the statistical significance of enrichment of gene annotations within clusters. ICA outperforms other leading methods, such as principal component analysis, k-means clustering and the Plaid model, in constructing functionally coherent clusters on microarray datasets from Saccharomyces cerevisiae, Caenorhabditis elegans and human.
登录
查看更多内容
DOI：
10.1073/pnas.97.1.262
发表时间：
2000-01-04
影响因子：
11.1
作者：
Brown, MPS;Grundy, WN;Haussler, D
通讯作者：
Haussler, D
影响因子：
56.9
作者：
Golub, TR;Slonim, DK;Lander, ES
通讯作者：
Lander, ES
影响因子：
8
作者：
Back, AD;Weigend, AS
通讯作者：
Weigend, AS
影响因子：
16
作者：
Cho, RJ;Campbell, MJ;Davis, RW
通讯作者：
Davis, RW
影响因子：
7
作者：
Ashburner, M;Ball, CA;Yoon, J
通讯作者：
Yoon, J