Comparison of metaheuristic strategies for peakbin selection in proteomic mass spectrometry data

García Torres, Miguel; Armañanzas Arnedillo, Ruben; Bielza Lozoya, Maria Concepcion y Larrañaga Múgica, Pedro (2013). Comparison of metaheuristic strategies for peakbin selection in proteomic mass spectrometry data. "Information Sciences", v. 222 ; pp. 229-246. ISSN 0020-0255. https://doi.org/10.1016/j.ins.2010.12.013.

Descripción

Título: Comparison of metaheuristic strategies for peakbin selection in proteomic mass spectrometry data
Autor/es:
  • García Torres, Miguel
  • Armañanzas Arnedillo, Ruben
  • Bielza Lozoya, Maria Concepcion
  • Larrañaga Múgica, Pedro
Tipo de Documento: Artículo
Título de Revista/Publicación: Information Sciences
Fecha: Febrero 2013
Volumen: 222
Materias:
Palabras Clave Informales: Metaheuristics; Feature subset selection; Mass spectrometry
Escuela: Facultad de Informática (UPM) [antigua denominación]
Departamento: Otro
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (1MB) | Vista Previa

Resumen

Mass spectrometry (MS) data provide a promising strategy for biomarker discovery. For this purpose, the detection of relevant peakbins in MS data is currently under intense research. Data from mass spectrometry are challenging to analyze because of their high dimensionality and the generally low number of samples available. To tackle this problem, the scientific community is becoming increasingly interested in applying feature subset selection techniques based on specialized machine learning algorithms. In this paper, we present a performance comparison of some metaheuristics: best first (BF), genetic algorithm (GA), scatter search (SS) and variable neighborhood search (VNS). Up to now, all the algorithms, except for GA, have been first applied to detect relevant peakbins in MS data. All these metaheuristic searches are embedded in two different filter and wrapper schemes coupled with Naive Bayes and SVM classifiers.

Más información

ID de Registro: 14036
Identificador DC: http://oa.upm.es/14036/
Identificador OAI: oai:oa.upm.es:14036
Identificador DOI: 10.1016/j.ins.2010.12.013
Depositado por: Memoria Investigacion
Depositado el: 20 Dic 2012 10:49
Ultima Modificación: 21 Abr 2016 13:30
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM