TY - A2的娃,安德烈亚斯盟——Boulesteix Anne-Laure盟德本,里卡多。非盟-江,小雨AU -福克斯,Mathias PY - 2017 DA - 2017/05/04 TI - IPF-LASSO:综合惩罚与惩罚因素回归预测基于SP - 7691937六世Multi-Omics数据- 2017 AB -是现代生物技术的进步,变得越来越频繁,不同形式的高维分子数据(本文称为“组学”数据),如基因表达,甲基化,和拷贝数,收集来自相同的病人群体预测临床结果。虽然预测基于组学数据已被广泛研究在过去的15年里,小已经完成统计文献的集成多个组学方法为预测变量的选择一个子集,在个性化医疗是一项至关重要的任务。在本文中,我们提出一个简单处罚回归方法来解决这个问题,分配不同的惩罚因素为特征选择和预测不同的数据模式。惩罚因素完全数据驱动的方式可以选择交叉验证或考虑实际问题。在仿真研究中,我们比较我们的方法的预测性能,称为IPF-LASSO(综合套索与惩罚因素)和R包中实现 ipflasso,标准套索和稀疏集团套索。使用IPF-LASSO还通过应用程序来说明两个真实的癌症数据集。同伴的网站上的所有数据和代码可用来确保再现性。SN - 1748 - 670 - 2017/7691937 / 10.1155 x你——https://doi.org/10.1155/2017/7691937——摩根富林明——计算和数学方法在医学PB - Hindawi KW - ER