TAILIEUCHUNG - Phân hạng gen gây bệnh sử dụng học tăng cường kết hợp với xác suất tiền nghiệm

Trong bài báo này, đề xuất một phương pháp mới để ưu tiên ứng viên gen bệnh bằng cách kết hợp học tập củng cố với thuật toán PageRank và gán các mục sư cho gen bệnh đã biết. Đánh giá bằng thực nghiệm phương pháp đề xuất về tương tác protein của con người kết nối mạng và so sánh hiệu suất của nó với các phương pháp tiên tiến, cụ thể là PageRank với các linh mục, Đi bộ ngẫu nhiên với Khởi động lại và K-Step Markov. | See discussions, stats, and author profiles for this publication at: Phân hạng gen gây bệnh sử dụng học tăng cường kết hợp với xác suất tiền nghiệm (Disease Gene Prioritization using Reinforcement Learning with Priors) Article · June 2015 CITATION READS 1 439 4 authors, including: Le Duc Hau Tu Minh Phuong Water Resources/ThuyLoi University Posts and Telecommunications Institute of Technology 46 PUBLICATIONS 238 CITATIONS 58 PUBLICATIONS 411 CITATIONS SEE PROFILE Some of the authors of this publication are also working on these related projects: Published View project Vietnamese POS Tagging for Social Media Text View project All content following this page was uploaded by Le Duc Hau on 27 October 2015. The user has requested enhancement of the downloaded file. SEE PROFILE Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-1, Số 13 (33), tháng 6/2015 Phân hạng gen gây bệnh sử dụng học tăng cường kết hợp với xác suất tiền nghiệm Disease Gene Prioritization using Reinforcement Learning with Priors Đặng Vũ Tùng, Dương Anh Trà, Lê Đức Hậu, Từ Minh Phương Abstract: Disease gene prioritization is the process of ranking candidate genes according to their relevance to a disease phenotype, thus facilitating the identification of disease genes by narrowing down the set of genes to be tested experimentally. Many methods have been proposed for disease gene prioritization based on relationships between proteins encoded in protein-protein interaction networks using various graph-based algorithms. In this paper, we propose a novel method for prioritizing candidate disease genes by combining reinforcement learning with PageRank algorithm and assigning priors for known disease genes. We experimentally evaluate the proposed method on a human protein interaction network and compared its performance with a stateof-the-art methods, namely PageRank with priors, Random Walk with Restart and .