Publication

Variably Scaled Kernels Improve Classification of Hormonally-Treated Patient-Derived Xenografts

Résumé

Little is known about the biological functions which are exerted by hormone receptors in physiological conditions. Here, we made use of the Mouse INtraDuctal (MIND) model, an innovative patient-derived xenograft (PDX) model, to characterize global gene expression changes, which are triggered by stimulation of dihydrotestosterone (DHT) and progesterone (P4) in vivo. Fast and clever mathematical tools are needed to analyze increasing numbers of complex datasets. We generated hormone receptor-specific list of genes which were then used to test the classification performance obtained by different machine-learning algorithms in the frame of our labelled PDXs RNAseq dataset. Next to other standard techniques, we consider the variably scaled kernel (VSK) setting in the framework of support vector machines. Our results show that mixed schemes obtained via VSKs can outperform standard classification methods in the considered task.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Concepts associés (32)
Forêt d'arbres décisionnels
vignette|Illustration du principe de construction d'une forêt aléatoire comme agrégation d'arbre aléatoires. En apprentissage automatique, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) forment une méthode d'apprentissage ensembliste. Ils ont été premièrement proposées par Ho en 1995 et ont été formellement proposées en 2001 par Leo Breiman et Adele Cutler. Cet algorithme combine les concepts de sous-espaces aléatoires et de bagging.
Apprentissage automatique
L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
Hormone peptidique
vignette|Structure chimique de la vasotocine avec acides aminés marqués Les hormones peptidiques (ou hormones polypeptidiques) sont une classe de peptides sécrétés dans le sang qui ont des fonctions endocrines chez les animaux. À l'instar des autres protéines, les hormones peptidiques sont synthétisées à partir d'acides aminés via un ARN messager, lui-même issu d'une matrice d'ADN au sein du noyau cellulaire.
Afficher plus
Publications associées (35)

Optimizing in-situ monitoring for laser powder bed fusion process: Deciphering acoustic emission and sensor sensitivity with explainable machine learning

Christian Leinenbach, Sergey Shevchik, Rafal Wróbel

Metal-based Laser Powder Bed Fusion (LPBF) has made fabricating intricate components easier. Yet, assessing part quality is inefficient, relying on costly Computed Tomography (CT) scans or time-consuming destructive tests. Also, intermittent inspection of ...
Lausanne2023

Towards Robust Monitoring of the Laser Powder Bed Fusion Process based on Acoustic Emission combined with Machine Learning Solutions

Rita Drissi Daoudi

Laser Powder Bed Fusion (LPBF) is an Additive Manufacturing (AM) process consolidating parts layer by layer, from a metallic powder bed. It allows no limitation in terms of geometry and is therefore of particular interest to various industries. Metallic LP ...
EPFL2023

Bayes-optimal Learning of Deep Random Networks of Extensive-width

Florent Gérard Krzakala, Lenka Zdeborová, Hugo Chao Cui

We consider the problem of learning a target function corresponding to a deep, extensive-width, non-linear neural network with random Gaussian weights. We consider the asymptotic limit where the number of samples, the input dimension and the network width ...
2023
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.