Demo 结果

Demo 结果解读

选用了目前主流的分类器（比如 SVM，KNN）以及筛选特征值的方法（贪婪算法）筛选并建立稳定的模型，帮助客户筛选到灵敏度与特异性高的 maker。

分子建模预测

采用模式识别与数据挖掘技术有效进行模型的构建，将部分数据拿来做训练集预测模型，然后部分数据作为测试数据集（独立样本）来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因，并以此构建模型。小样本数据的建模在于筛选并评判 maker 的稳定性，便于后期实验验证；大样本数据的建模用于进行早期诊断、疾病预测。采用方法分为：线性分类器以及非线性分类器，并利用了 Leave-one-out cross-validation（LOOCV）以及 cross-validated misclassification error rate 的筛选策略找到优选 MARKER。

分析要求

小样本建模：样本数在 20 以上；

大样本建模：样本数在 100 以上；

数据类型：表达，甲基化，CNV，SNP 均可。

提供结果

图片格式：ROC 曲线图，TIFF 格式；

文本文件：样本的分类情况，灵敏度与特异性，maker 的权重（线性分类器结果）。

分子建模预测信息由上海伯豪生物技术有限公司为您提供，如您想了解更多关于分子建模预测报价、型号、参数等信息，欢迎来电或留言咨询。

注：该产品未在中华人民共和国食品药品监督管理部门申请医疗器械注册和备案，不可用于临床诊断或治疗等相关用途