TY - Jour A2 - Paolotti，Daniela Au - Wang，Juan Au - Liu，Jin-xing Au - Zheng，Chun-Hou Au - Lu，Cong-Hai Au - Dai，Ling-yun Au - Kong，Xiang-Zhen Py -2020 DA - 2020 / 01/27 TI - 块约束拉普拉斯 - 正常化的低秩表示及其在基于集成TCGA数据的癌症样本聚类应用程序SP - 4865738 VL - 2020 AB - 低秩表示（LRR）是一个强大的子空间聚类方法，因为它成功地学习了低维数据空间。随着“OMICS”技术的突破，已经提出了许多基于LRR的方法并基于基因表达数据对癌症聚类进行癌症聚类。此外，研究表明，除了基因表达数据之外，TCGA中的一些其他基因组数据还包含癌症研究的重要信息。因此，这些基因组数据可以作为癌症聚类的综合特征来源。如何建立有效的聚类模型，以便综合分析综合TCGA数据已成为一个关键问题。在本文中，我们开发了传统的LRR方法，并提出了一种名为Block-Constraint Laplacian-Ralalized低级表示（BLLRR）的新方法，以模拟癌症样本聚类的多面体数据。所提出的方法专用于从多个基因组数据中提取更多的储层结构信息，以提高癌症样本聚类的准确性。考虑到不同基因组数据的异质性，我们将块限制概述介绍为我们的方法。 In BLLRR decomposition, we treat each genome data as a data block and impose different constraints on different data blocks. In addition, graph Laplacian is also introduced into our method to better learn the topological structure of data by preserving the local geometric information. The experiments demonstrate that the BLLRR method can effectively analyze integrated TCGA data and extract more subspace structure information from multigenome data. It is a reliable and efficient clustering algorithm for cancer sample clustering. SN - 1076-2787 UR - https://doi.org/10.1155/2020/4865738 DO - 10.1155/2020/4865738 JF - Complexity PB - Hindawi KW - ER -