Cancer Classification Using Single Genes

Wang, Qianqian; Gotoh, Osamu

doi:10.1142/9781848165632_0017

Cited by 11 publications

(9 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…destekli bir sistemdir. Geçmişten günümüze kadar multidisipliner çalışmaların çatısı altında löseminin alt türlerinin sınıflandırılması için mikrodizi teknolojisinin yardımıyla bilgisayar destekli sistemler üzerinde [47][48][49][50][51][52] birçok çalışma yapılmıştır. Mikrodizi teknolojisi, tıp ve biyoloji alanlarında tercih edilen ve binlerce genin nispi ekspresyon seviyelerinin aynı anda izlenmesine olanak tanıyan bir analiz yöntemidir.…”

Section: Tartışma (Discussion)unclassified

Lösemi hastalığının temel türlerinden ALL ve KML malignitelerinin grafik sinir ağları ve bulanık mantık algoritması ile sınıflandırılması

AKALIN

Yumuşak

2022

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Beyaz kan hücresi kanseri olan lösemi, yaşam kalitesini düşüren ve ilerleyen aşamalarda ölüme sebep olabilen maliyeti yüksek bir malignitedir. Farklı yaş gruplarında görülebilen bu hastalığın erken ve doğru teşhisinin sağlanması tedavi sürecini etkilemekte ve hastalığın ilerlemesini engellemektedir. Bu çalışmada löseminin temel türlerinden olan ALL ve KML malignitelerinin sınıflandırılması amaçlanmıştır. Genetik temelli maligniteler olan bu türlerin ayırt edilmesinde DNA’da bir mutasyon sonucunda beliren BCR-ABL geni analiz edilmiştir. Tıp dünyasında BCR-ABL geni üzerinden mevcut türlerin ayırt edilmesi hususunda PCR tekniği kullanılarak değerlendirmeler yapılabilmektedir. Teşhis ve tedavi sürecindeki maliyetin ve zamanın indirgenmesi amacıyla disiplinlerarası çalışmalar da mevcuttur . İki aşamadan oluşan bu çalışmanın ilk aşamasında farklı nükleotit uzunluklarına sahip ALL ve KML DNA dizilimlerinin spektral yoğunluk bilgisi sinyal işleme teknikleri kullanılarak spektogramlara yansıtılmıştır. Ardından CNN ve GNN teknolojilerinin hibrit yaklaşımı olan DGCNN teknolojisi ile ALL ve KML malignitelerine ait spektogramlar sınıflandırılmıştır. Ancak nükleotitlerin farklı uzunluklarda olmasından dolayı spektogramlar üzerinde net ifadeler elde edilememiştir. Çalışmanın ikinci aşamasında farklı uzunluklara sahip DNA dizilimleri, kodon dağılımlarının esas alındığı entropi temelli haritalama tekniği ile sayısallaştırılmıştır. Sayısallaştırılan bu dizilimler üzerinden çıkarılan istatiktiksel ve yapısal özellikler uyarlanabilir bulanık mantık algoritması ile sınıflandırılarak nükleotit uzunluğundan bağımsız bir çalışma gerçekleştirilmiştir. Böylece KML ve ALL malignitelerinin sınıflandırılmasında %80’lik bir başarı düzeyi yakalanmıştır.

show abstract

Section: Tartışma (Discussion)unclassified

Lösemi hastalığının temel türlerinden ALL ve KML malignitelerinin grafik sinir ağları ve bulanık mantık algoritması ile sınıflandırılması

AKALIN

Yumuşak

2022

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

show abstract

“…In this section, we describe the data sets used to analyze the methods studied in sections 2 and 3, which are arranged for the listed in Table 1, number of features/genes are in column wise, and number of items/samples are in row wise [23]. 1) Serum data: This data set is described and used in [10].…”

Section: Experimental Analysis and Discussionmentioning

confidence: 99%

Unsupervised gene expression data using enhanced clustering method

Chandrasekhar

Thangavel

Elayaraja

et al. 2013

2013 IEEE International Conference ON Emerging Trends in Computing, Communication and Nanotechnology (ICECCN)

View full text Add to dashboard Cite

Microarrays are made it possible to simultaneously monitor the expression profiles of thousands of genes under various experimental conditions. Identification of co-expressed genes and coherent patterns is the central goal in microarray or gene expression data analysis and is an important task in bioinformatics research. Feature selection is a process to select features which are more informative. It is one of the important steps in knowledge discovery. The problem is that not all features are important. Some of the features may be redundant, and others may be irrelevant and noisy. In this work the unsupervised Gene selection method and Enhanced Center Initialization Algorithm (ECIA) with K-Means algorithms have been applied for clustering of Gene Expression Data. This proposed clustering algorithm overcomes the drawbacks in terms of specifying the optimal number of clusters and initialization of good cluster centroids. Gene Expression Data show that could identify compact clusters with performs well in terms of the Silhouette Coefficients cluster measure.

show abstract

“…To study the biological relevance of the obtained gene markers, many of those have been validated to be associated with the respective cancer classes in the different existing literature. For example, in the Prostate cancer data set, gene 41288_ at (CALM1) and 32243_g_at (CRYAB) have been also reported in [38]. Again, gene 40435_at (SLC25A6) and 33614_at (RPL18A, RPL18AP3) in [5], and 37639_at (HPN) and 41504_s_at (MAF) have been reported in [39].…”

Section: Retrieved Marker Genesmentioning

confidence: 99%

Multi-view feature selection for identifying gene markers: a diversified biological data driven approach

2020

View full text Add to dashboard Cite

Background In recent years, to investigate challenging bioinformatics problems, the utilization of multiple genomic and proteomic sources has become immensely popular among researchers. One such issue is feature or gene selection and identifying relevant and non-redundant marker genes from high dimensional gene expression data sets. In that context, designing an efficient feature selection algorithm exploiting knowledge from multiple potential biological resources may be an effective way to understand the spectrum of cancer or other diseases with applications in specific epidemiology for a particular population. Results In the current article, we design the feature selection and marker gene detection as a multi-view multi-objective clustering problem. Regarding that, we propose an Unsupervised Multi-View Multi-Objective clustering-based gene selection approach called UMVMO-select. Three important resources of biological data (gene ontology, protein interaction data, protein sequence) along with gene expression values are collectively utilized to design two different views. UMVMO-select aims to reduce gene space without/minimally compromising the sample classification efficiency and determines relevant and non-redundant gene markers from three cancer gene expression benchmark data sets. Conclusion A thorough comparative analysis has been performed with five clustering and nine existing feature selection methods with respect to several internal and external validity metrics. Obtained results reveal the supremacy of the proposed method. Reported results are also validated through a proper biological significance test and heatmap plotting.

show abstract

Cancer Classification Using Single Genes

Cited by 11 publications

References 13 publications

Lösemi hastalığının temel türlerinden ALL ve KML malignitelerinin grafik sinir ağları ve bulanık mantık algoritması ile sınıflandırılması

Lösemi hastalığının temel türlerinden ALL ve KML malignitelerinin grafik sinir ağları ve bulanık mantık algoritması ile sınıflandırılması

Unsupervised gene expression data using enhanced clustering method

Multi-view feature selection for identifying gene markers: a diversified biological data driven approach

Contact Info

Product

Resources

About