WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO2009067655) METHODS OF FEATURE SELECTION THROUGH LOCAL LEARNING; BREAST AND PROSTATE CANCER PROGNOSTIC MARKERS
Latest bibliographic data on file with the International Bureau   

Pub. No.:    WO/2009/067655    International Application No.:    PCT/US2008/084325
Publication Date: 28.05.2009 International Filing Date: 21.11.2008
IPC:
C12Q 1/68 (2006.01), G06F 19/24 (2011.01), G06F 19/20 (2011.01)
Applicants: UNIVERSITY OF FLORIDA RESEARCH FOUNDATION, INC. [US/US]; 223 Grinter Hall Gainesville, FL 32611 (US) (For All Designated States Except US).
SUN, Yijun [CN/US]; (US) (For US Only).
GOODISON, Steve [GB/US]; (US) (For US Only).
LIU, Li [CN/US]; (US) (For US Only).
FARMERIE, William, George [US/US]; (US) (For US Only)
Inventors: SUN, Yijun; (US).
GOODISON, Steve; (US).
LIU, Li; (US).
FARMERIE, William, George; (US)
Agent: KNIGHT, Sarah, J.; Saliwanchik, Lloyd & Saliwanchik A Professional Association P.O. Box 142950 Gainesville, FL 32614-2950 (US)
Priority Data:
60/989,592 21.11.2007 US
61/040,232 28.03.2008 US
61/040,237 28.03.2008 US
Title (EN) METHODS OF FEATURE SELECTION THROUGH LOCAL LEARNING; BREAST AND PROSTATE CANCER PROGNOSTIC MARKERS
(FR) PROCÉDÉS DE SÉLECTION DE PARTICULARITÉS PAR APPRENTISSAGE LOCAL; MARQUEURS DE PRONOSTIC DU CANCER DU SEIN ET DE LA PROSTATE
Abstract: front page image
(EN)A method is provided that addresses the feature selection problem in the presence of copious irrelevant features. According to this method, feature selection can be accomplished by decomposing a given complex problem into a set of locally linear problems through local learning, and estimating the relevance of features globally within a large margin framework. Local learning allows one to capture local structure of the data, while the global parameter estimation within a large margin framework allows one to a\oid possible overfitting. This method addresses many major issues of the prior art, including their problems with computational complexity, solution accuracy, algorithm implementation, exportability of selected features, and extension to multiclass settings. Using the method, a small number of genes useful for predicting the occurrence of distal metastases in breast cancer patients were identified: LOC58509, CEGPl, AL080059, ATP5E. and FRAME. Also using the method, prostate cancer prognostic signatures based on gene expression alone and gene expression in combination with post-operative nomogram were derived. Genes determined to be particularly relevant to prostate cancer prognosis include PCOLN3, TGFB3, PAK3. RBM34. RPL23, EI24, FUT7, RlCS Rho. MAP4K4. CUTLl, and ZNF324B.
(FR)L'invention concerne un procédé qui aborde le problème de sélection de particularités en présence d'abondantes particularités non pertinentes. Selon ce procédé, la sélection de particularités peut être accomplie en décomposant un problème complexe donné en un jeu de problèmes localement linéaires par apprentissage local, et l'estimation de la pertinence de particularités globalement dans une grande ossature de marge. L'apprentissage local permet de capturer une structure locale des données, alors que l'estimation de paramètre globale dans une grande ossature de marge permet d'éviter un surajustement possible. Ce procédé aborde de nombreuses questions majeures de l'art antérieur, y compris leurs problèmes associés à la complexité de calcul, à la précision des solutions, à la mise en œuvre d'algorithmes, à l'exportabilité de particularités sélectionnées, et à l'extension à des établissements multiclasses. En utilisant le procédé, un petit nombre de gènes utiles pour prédire l'occurrence de métastases distales chez des patients atteints du cancer du sein ont été identifiés : LOC58509, CEGPl, AL080059, ATP5E. et FRAME. En utilisant également le procédé, des signatures de pronostic du cancer de la prostate basées sur l'expression de gène seule et l'expression de gène en combinaison avec un nomogramme post-opératoire ont été dérivées. Les gènes déterminés comme particulièrement pertinents pour le pronostic du cancer de la prostate comprennent PCOLN3, TGFB3, PAK3. RBM34. RPL23, EI24, FUT7, RlCS Rho. MAP4K4. CUTLl et ZNF324B.
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BR, BW, BY, BZ, CA, CH, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IS, JP, KE, KG, KM, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LT, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PG, PH, PL, PT, RO, RS, RU, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
African Regional Intellectual Property Organization (BW, GH, GM, KE, LS, MW, MZ, NA, SD, SL, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, MD, RU, TJ, TM)
European Patent Office (AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MT, NL, NO, PL, PT, RO, SE, SI, SK, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG).
Publication Language: English (EN)
Filing Language: English (EN)