LS-NMF: a modified non-negative matrix factorization algorithm utilizing uncertainty estimates.
LS-NMF: a modified non-negative matrix factorization algorithm utilizing uncertainty estimates.
复制标题
DOI：
10.1186/1471-2105-7-175
复制
发表时间：
2006-03-28
影响因子：
3
通讯作者：
Ochs MF
中科院分区：
文献类型：
--
作者：
Wang G;Kossenkov AV;Ochs MF
非负矩阵因子分解（NMF），一种机器学习算法，已被应用于微阵列数据的分析。NMF的一个关键特性是识别模式的能力，这些模式一起将数据解释为表达式签名的线性组合。微阵列数据通常包括每个基因在每个条件下的不确定性的个体估计，但是NMF不利用这些信息。以前的工作表明，这种不确定性对模式识别非常有价值。我们已经创建了一个新的算法，最小二乘非负矩阵分解，LS-NMF，它集成了基因表达数据的不确定性测量到NMF更新规则。LS-NMF算法在保持了原NMF算法易于实现和保证局部最优解等优点的同时，在连接功能相关基因方面的性能得到了提高。LS-NMF在识别功能相关基因方面显著超过NMF，如从MIPS数据库中的注释确定的。对基因表达数据的不确定性测量为数据分析提供了有价值的信息，并且在LS-NMF算法中使用该信息显著提高了NMF技术的能力。
Non-negative matrix factorisation (NMF), a machine learning algorithm, has been applied to the analysis of microarray data. A key feature of NMF is the ability to identify patterns that together explain the data as a linear combination of expression signatures. Microarray data generally includes individual estimates of uncertainty for each gene in each condition, however NMF does not exploit this information. Previous work has shown that such uncertainties can be extremely valuable for pattern recognition. We have created a new algorithm, least squares non-negative matrix factorization, LS-NMF, which integrates uncertainty measurements of gene expression data into NMF updating rules. While the LS-NMF algorithm maintains the advantages of original NMF algorithm, such as easy implementation and a guaranteed locally optimal solution, the performance in terms of linking functionally related genes has been improved. LS-NMF exceeds NMF significantly in terms of identifying functionally related genes as determined from annotations in the MIPS database. Uncertainty measurements on gene expression data provide valuable information for data analysis, and use of this information in the LS-NMF algorithm significantly improves the power of the NMF technique.
登录
查看更多内容
影响因子：
12.3
作者：
Lee SI;Batzoglou S
通讯作者：
Batzoglou S
影响因子：
16
作者：
Cho, RJ;Campbell, MJ;Davis, RW
通讯作者：
Davis, RW
DOI：
10.1073/pnas.97.18.10101
发表时间：
2000-08-29
影响因子：
11.1
作者：
Alter, O;Brown, PO;Botstein, D
通讯作者：
Botstein, D
影响因子：
1.7
作者：
Newton, MA;Kendziorski, CM;Tsui, KW
通讯作者：
Tsui, KW
DOI：
10.1073/pnas.0308531101
发表时间：
2004-03-23
影响因子：
11.1
作者：
Brunet, JP;Tamayo, P;Mesirov, JP
通讯作者：
Mesirov, JP