CONSTRUCTION AND VERIFICATION OF MATHEMATICAL MODEL OF MASS SPECTROMETRY DATA

Małgorzata  Plechawska-Wójcik

doi:10.35784/iapgos.1430

pdf (angielski)

Opublikowane: 2013-02-14

DOI: https://doi.org/10.35784/iapgos.1430

Numer Tom 3 Nr 1 (2013)

SPECJALISTYCZNE OBLICZENIA SYMBOLICZNE DLA PROBLEMÓW W STANACH USTALONYCH
Marcin Sowa

5-8
KONSTRUKCJA I WERYFIKACJA MATEMATYCZNEGO MODELU DANYCH WIDM MASOWYCH
Małgorzata Plechawska-Wójcik

9-14
WIZUALIZACJA PARAMETRÓW ANTEN SYMULOWANYCH PROGRAMEM NEC-2
Bartosz Chaber

15-18
WPŁYW WARUNKU BRZEGOWEGO DIRICHLETA NA SZYBKOŚĆ I STABILNOŚĆ SYMULACJI PRĄDÓW WIROWYCH ELEKTRYCZNYM POTENCJAŁEM SKALARNYM
Przemysław Płonecki, Jacek Starzyński, Stanisław Wincenciak

19-20
ANALIZA SZUMOWA KANAŁU ODCZYTOWEGO PRZEZNACZONEGO DO WIELOKANAŁOWYCH UKŁADÓW SCALONYCH DEDYKOWANYCH DO EKSPERYMENTÓW NEUROBIOLOGICZNYCH
Piotr Kmon, Piotr Otfinowski

21-23
KOMPARATOR DO GENERACJI ZNACZNIKÓW CZASOWYCH W UKŁADACH ODCZYTOWYCH DLA DETEKTORÓW PASKOWYCH
Krzysztof Kasiński

25-28
4 KANAŁOWY MODUŁ LED DO SYSTEMU WSPOMAGAJĄCEGO ROZWÓJ ROŚLIN
Tomasz Cegielski

29-33
PRZEMYSŁOWY TOMOGRAF POJEMNOŚCIOWY DO BADANIA PRZEPŁYWÓW DWUFAZOWYCH
Piotr Zaprawa

35-38
ANALIZA WPŁYWU CHROPOWATOŚCI PODKŁADU BETONOWEGO NA PRZYCZEPNOŚĆ NA ODRYWANIE WARSTWY WIERZCHNIEJ
Łukasz Sadowski

39-42
APLIKACJA MIKROBLOGOWA-HANDSHAKE
Paweł Kowalczyk, Tomasz Słodyczka, Ewelina Smyk, Przemysław Sadura

43-45
MODELOWANIE I ANALIZA POLA MAGNETYCZNEGO W NIETYPOWYCH UKŁADACH WSPÓŁRZĘDNYCH
Mikołaj Skowron

47-48

Archiwum

2017

Tom 7 Nr 4
2017-12-21 23
Tom 7 Nr 3
2017-09-30 24
Tom 7 Nr 2
2017-06-30 27
Tom 7 Nr 1
2017-03-03 33

2016

Tom 6 Nr 4
2016-12-22 16
Tom 6 Nr 3
2016-08-08 18
Tom 6 Nr 2
2016-05-10 16
Tom 6 Nr 1
2016-02-04 16

2015

Tom 5 Nr 4
2015-10-28 19
Tom 5 Nr 3
2015-09-02 17
Tom 5 Nr 2
2015-06-30 15
Tom 5 Nr 1
2015-03-31 18

2014

Tom 4 Nr 4
2014-12-09 29
Tom 4 Nr 3
2014-09-26 22
Tom 4 Nr 2
2014-06-18 21
Tom 4 Nr 1
2014-03-12 19

2013

Tom 3 Nr 4
2013-12-27 20
Tom 3 Nr 3
2013-07-24 13
Tom 3 Nr 2
2013-05-16 9
Tom 3 Nr 1
2013-02-14 11

Authors

Małgorzata Plechawska-Wójcik

gosiap@cs.pollub.pl

Politechnika Lubelska, Wydział Elektrotechniki i Informatyki, Instytut Informatyki, Lublin

Polska

Abstrakt

Artykuł przedstawia kwestie związane z konstrukcją, dopasowaniem i implementacją modelu matematycznego widm masowych opartego o rozkłady normalne i mieszaniny rozkładów oraz o widmo średnie. To zadanie jest kluczowe dla analizy, wymaga też określenia wielu parametrów modelu.

Słowa kluczowe:

spektrometria masowa Maldi-Tof, rozkłady Gaussa, mieszaniny rozkładów Gaussa, klasyfikacja SVM-RFE

Bibliografia

Akaike H.: A new look at the statistical model identification. IEEE Transactions on Automatic Control, 9 s.716–723, 1974. DOI: https://doi.org/10.1109/TAC.1974.1100705

Baggerly K.A., Morris J., Wang J., Gold D., Xiao L.C., Coombes K.R.: A comprehensive approach to the analysis of matrix-assisted laser desorption/ionization time of flight proteomics spectra from serum samples. Proteomics, s. 1667–1672, 2003.

Banfield J., Raftery A.: Model-based Gaussian and non-Gaussian clustering. Biometrics, 49 s. 803–821, 1993. DOI: https://doi.org/10.2307/2532201

Boster B., Guyon I., Vapnik V.: A training algorithm for optimal margin classifiers. Fifth Annual Workshop on Computational Learning Theory, s. 114– 152, 1992. DOI: https://doi.org/10.1145/130385.130401

Bozdogan H.: Choosing the number of component clusters in the mixturemodel using a new informational complexity criterion of the inverse-fisher informational matrix. Springer-Verlag,Heidelberg, 19 s. 40–54, 1993. DOI: https://doi.org/10.1007/978-3-642-50974-2_5

Bozdogan H.: On the information-based measure of covariance complexity and its application to the evaluation of multivariate linear models. Communications in Statictics, Theory and Methods, 19 s. 221–278, 1990. DOI: https://doi.org/10.1080/03610929008830199

Celeux G., Soromenho G.: An entropy criterion for assessing the number of clusters in a mixture model. Classification Journal, 13, s. 195–212, 1996. DOI: https://doi.org/10.1007/BF01246098

Clyde M.A., House L.L., Wolpert R.L.: Nonparametric models for proteomic peak identification and quatification. ISDS Discussion Paper, s. 2006–2007, 2006.

Coombes K., Baggerly K., Morris J.: Pre-processing mass spectrometry data, Fundamentals of Data Mining in Genomics and Proteomics, W Dubitzky, M Granzow, and D Berrar, eds. Kluwer, s. 79-99. 2007, Boston. DOI: https://doi.org/10.1007/978-0-387-47509-7_4

Coombes K.R., Koomen J.M., Baggerly K.A., Morris J., Kobayashi R.: Understanding the characteristics of mass spectrometry data through the use of simulation. Cancer Informatics, 1 s. 41–52, 2005. DOI: https://doi.org/10.1177/117693510500100103

Comon P.: Independent component analysis – a new concept? Signal Processing, 36 s. 287–314, 1994. DOI: https://doi.org/10.1016/0165-1684(94)90029-9

Dempster A.P., Laird N.M., Rubin D.B.: Maximum likelihood from incomplete data via the EM algorithm. J. R. Stat. Soc., 39,1 s. 1-38, 1977. DOI: https://doi.org/10.1111/j.2517-6161.1977.tb01600.x

Du P., Kibbe W., Lin S.: Improved peak detection in mass spectrum by incorporating continous wavelet transform-based pattern matching. Genome analysis, 22 s. 2059-2065, 2006.

Dubitzky W., Granzow M., Berrar D.: Fundamentals of data mining in genomics and proteomics. Springer, Kluwer Boston, 2007. DOI: https://doi.org/10.1007/978-0-387-47509-7

Fung E.T., Enderwick C.: Proteinchip clinical proteomics: computational challenges and solutions. Biotechniques, Suppl., 32 s. 34–41, 2002. DOI: https://doi.org/10.2144/mar0205

Gyaourova A., Kamath C., Fodor I.K.: Undecimated wavelet transforms for image de-noising. Technical Report UCRL-ID-150931, Lawrence Livermore National Laboratory, Livermore, CA, 2002. DOI: https://doi.org/10.2172/15002085

Gentzel M., Kocher T., Ponnusamy S., Wilm M.: Preprocessing of tandem mass spectrometric data to support automatic protein identyfication. Proteomics, 3, s. 1597–1610, 2003.

Gras R., Muller M., Gasteiger E., Gay S., Binz P.A., Bienvenut W., Hoogland C., Sanchez J.C., Bairoch A., Hochstrasser D.F., Appel R.D.: Improving protein identification from peptide mass fingerprinting through a parameterized multi-level scoring algorithm and an optimized peak detection. Electrophoresis, 20 s. 3535-3550, 1999.

Jutten C., H´erault J.. Blind separation of sources, part I: An adaptive algorithm based on neuromimetic architecture. Signal Processing, 24 s. 1-10, 1991. DOI: https://doi.org/10.1016/0165-1684(91)90079-X

Lang M., Guo H., Odegard J.E., Burrus C.S., Well R.O.Jr.: Nonlinear processing of a shift invariant DWT for noise reduction. Proc. SPIE. Wavelet Applications II, 2491 s. 640-651, 1995.

Lang M., Guo H., Odegard J.E., Burrus C.S., Well R.O.Jr.: Noise reduction using an undecimated discrete wavelet transform. IEEE Signal Processing Letters, 3 s. 10-12, 1996. DOI: https://doi.org/10.1109/97.475823

Lewandowicz A., Bakun M., Imiela J., Dadlez M.: Proteomika w uronefrologii - nowe perspektywy diagnostyki nieinwazyjnej? Nefrologia i dializoterapia polska, 1 s. 15–21, 2009.

Mantini D., Petrucci F., Pieragostino D., Del Boccio P., Di Nicola M., Di Ilio C., Federici G., Sacchetta P., Comani S., Urbani A.: Limpic: a computational method for the separation of protein signals from noise. BMC Bioinformatics, 8:101, 2007.

Mantini D., Petrucci F., Del Boccio P., Pieragostino D., Di Nicola M., Lugaresi A., Federici G., Sacchetta P., Di Ilio C., Urbani A.: Independent component analysis for the extraction of reliable protein signal profiles from Maldi-ToF mass spectra. Bioinformatics, 24 s.63 – 70, 2008. DOI: https://doi.org/10.1093/bioinformatics/btm533

McLachlan G.: Finite mixture models. John Wiley and Sons, 2001. DOI: https://doi.org/10.1002/0471721182

Morris J., Coombes K., Kooman J., Baggerly K., Kobayashi R..: Feature extraction and quantification for mass spectrometry data in biomedical applications using the mean spectrum. Bioinformatics, 21(9): 1764-1775. 2005. DOI: https://doi.org/10.1093/bioinformatics/bti254

Norris J., Cornett D., Mobley J., Anderson M., Seeley E., Chaurand P, Caprioli R.: Processing MALDI mass spectra to improve mass spectral direct tissue analysis. National institutes of health. 2007, USA. DOI: https://doi.org/10.1016/j.ijms.2006.10.005

Plechawska-Wójcik M.: Comprehensive analysis of mass spectrometry data – a case study. Foundations of Computing and Decision Sciences. Vol. 36 - No. 3-4, s. 275-292, 2011.

Plechawska M.: Comparing and similarity determining of gaussian distributions mixtures. Polish Journal of Environmental Studies, 17, No. 3B s. 341–346, 2008.

Polanska J., Plechawska M.: Comparison of convergence criterions used in expectation-maximization algorithm. Symbiosis, 2008.

Randolph T., Mithcell B., McLerran D., Lampe P., Feng Z.: Quantifying peptide signal in maldi-tof mass spectrometry data. Molecular & Cellular Proteomics, 4 s. 1990–1999, 2005.

Schwarz G.: Estimating the dimension of a model. Annals of Statistics, 6 s. 461–464, 1978. DOI: https://doi.org/10.1214/aos/1176344136

Tibshirani R., Hastiey T., Narasimhanz B., Soltys S., Shi G., Koong A., Le Q.T.: Sample classification from protein mass spectrometry, by ’peak probability contrasts’. Bioinformatics, 20 s. 3034 – 3044, 2004.

Tversky A., Hutchinson J.W.: Nearest neighbor analysis of psychological spaces. Psychological review, 93(1) s. 3–22, 1993. DOI: https://doi.org/10.1037/0033-295X.93.1.3

Vapnik V.N.: The Nature of Statistical Learning Theory. Springer, 1995. DOI: https://doi.org/10.1007/978-1-4757-2440-0

Vapnik V.N.: Statistical Learning Theory. Wiley, 1998.

Windham M.P. Cutler A.: Information ratios for validating cluster analyses. Journal of the American Statistical Association, 87 s. 1188–1192, 1993. DOI: https://doi.org/10.1080/01621459.1992.10476277

Wold H.: Estimation of principal components and related models by iterative least squares. Multivariate Analysis, s. 391–420, 1966.

Yasui Y., Pepe M., Thompson M.L., Adam B.L., Wright G.L., Qu Y., Potter J.D., Winget M., Thornquist M., Feng Z.: A data-analytic strategy for protein biomarker discovery: profiling of high-dimensional proteomic data for cancer detection. Biostatistics, 4 s. 449-463, 2003. DOI: https://doi.org/10.1093/biostatistics/4.3.449

Plechawska-Wójcik, M. (2013). KONSTRUKCJA I WERYFIKACJA MATEMATYCZNEGO MODELU DANYCH WIDM MASOWYCH. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 3(1), 9-14. https://doi.org/10.35784/iapgos.1430

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 3 Nr 1 (2013)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja