• <li id="mga46"></li>
  • <kbd id="mga46"><optgroup id="mga46"></optgroup></kbd>
  • <tbody id="mga46"></tbody>
  • <s id="mga46"><menu id="mga46"></menu></s>
    伯豪生物
    分子建模預測

    Demo 結果

    demo 分析結果圖

    demo 結果分析圖 2

    結果解讀

    選用了目前主流的分類器(比如 SVM,KNN)以及篩選特征值的方法(貪婪算法)篩選并建立穩定的模型,幫助客戶篩選到靈敏度與特異性高的 maker。


    分子建模預測

    采用模式識別與數據挖掘技術有效進行模型的構建,將部分數據拿來做訓練集預測模型,然后部分數據作為測試數據集(獨立樣本)來驗證模型的準確性。目的在于利用實驗數據來篩選出一批靶標基因,并以此構建模型。小樣本數據的建模在于篩選并評判 maker 的穩定性,便于后期實驗驗證;大樣本數據的建模用于進行早期診斷、疾病預測。采用方法分為:線性分類器以及非線性分類器,并利用了 Leave-one-out cross-validation(LOOCV)以及 cross-validated misclassification error rate 的篩選策略找到優選 MARKER。

    分析要求

    1、小樣本建模:樣本數在 20 以上;

    2、大樣本建模:樣本數在 100 以上;

    3、數據類型:表達,甲基化,CNV,SNP 均可。

    提供結果

    1、圖片格式:ROC 曲線圖,TIFF 格式;

    2、文本文件:樣本的分類情況,靈敏度與特異性,maker 的權重(線性分類器結果)。


    -END-



    咨詢客服 - 伯豪生物





    <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>