فایل ورد کامل ماتریس همبستگی برای اط?عات با بُعد با?: ضریبRV تعدیل یافته

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ماتریس همبستگی برای اط?عات با بُعد با?: ضریبRV تعدیل یافته،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

انگیزه: ژنومیک تابعی مدرن، مجموعه اطعاتی با بُعد با ایجاد می نماید. اغلب دارای یک عدد ساده می باشد که ارتباط بین جفت های مجموعه اطلاعات با بعد بالا را به شیوه ای جامع مشخص می نماید. چنین اعداد همبستگی های ماتریس می باشند و به این دلیل جالب می باشند که می توان آنها به شیوه همبستگی های پیرسون که برای زیست شناسان آشناست، تفسیر نمود. با این حال، ابعاد بالای اطلاعات ژنومیک تابعی، برای همبستگی ماتریس موجود مشکل ساز می باشد. انگیزه این مقاله ۲ برابر می باشد: (۱) ما ایده همبستگی های ماتریس را برای بیو انفورماتیک معرفی می کنیم و (۲) ما ضریب همبستگی ماتریس (ضریب RV) را بهبود می بخشیم و مشکلات اطلاعات با بعد بالا را دور می زنیم.
نتایج: می توان از ضریبRV تعدیل یافته در مطالعات تجزیه و تحلیل اطلاعات با ابعاد بالا به عنوان سنجشی آسان برای اطلاعات مشترک در دو مجموعه داده استفاده نمود. این امر با استدلال ها، شبیه سازی ها و برنامه های نظری در دو مثال واقعی از ژنومیک تابعی، یعنی مثال ترانسکریپتومیک و متابولومیک نشان داده شده است.
دسترس پذیری: فایل های m نرم افزار متلب در روش های ارائه شده را می توان از http://www.bdagroup.nl دریافت نمود.

عنوان انگلیسی:

Matrix correlations for high-dimensional data: the modified RV-coefficient

~~en~~ writers :

A. K. Smilde1,, H. A. L. Kiers2, S. Bijlsma3, C. M. Rubingh3 and M. J. van Erk3

Motivation: Modern functional genomics generates high
dimensional datasets. It is often convenient to have a single
simple number characterizing the relationship between pairs of
such high-dimensional datasets in a comprehensive way. Matrix
correlations are such numbers and are appealing since they can be
interpreted in the same way as Pearson’s correlations familiar to
biologists. The high-dimensionality of functional genomics data is,
however, problematic for existing matrix correlations. The motivation
of this article is 2-fold: (i) we introduce the idea of matrix correlations
to the bioinformatics community and (ii) we give an improvement of
the most promising matrix correlation coefficient (the RV-coefficient)
circumventing the problems of high-dimensional data.
Results: The modified RV-coefficient can be used in high
dimensional data analysis studies as an easy measure of common
information of two datasets. This is shown by theoretical arguments,
simulations and applications to two real-life examples from functional
genomics, i.e. a transcriptomics and metabolomics example.

$$en!!