Scholar Profile
Publons Profile
Ricerca
Interomics
Il progetto bandiera Interomics è orientato allo sviluppo di una piattaforma integrata per l'applicazione delle scienze "omiche" alla definizione di biomarcatori e di profili predittivi e diagnostici. Il contributo del gruppo di ricerca di cui faccio parte si sostanzia nell'applicazione di tecniche di machine learning supervisionate all'analisi di espressioni geniche. Più specificamente, la Logic Learning Machine (LLM), rappresenta un innovativo metodo di data mining basato su un insieme di semplici regole intelligibili, con potenziali applicazioni sia in ambito diagnostico che prognostico. Nel contesto indicato, LLM si era già dimostrato un tool efficiente per operazioni di feature selection: l'obiettivo del lavoro portato avanti nel corso dell'assegno di ricerca è valutare il suo potenziale di classificazione, comparandolo con altri metodi di machine learning supervisionato.
Tale risultato è ottenuto attraverso un'estesa analisi di microarray contenenti espressioni geniche di pazienti, confrontando i risultati ottenuti con LLM in termini di classificazione con quelli di altre, ben note, tecniche di machine learning supervisionato: Decision Tree, Reti Neurali, e k-Nearest Neighbour. I dataset di riferimento sono stati selezionati da un gruppo di database pubblici riguardanti espressioni geniche in mircoarray, memorizzati nella GEO repository bank.
Paper di riferimento:
Analyzing gene expression data for pediatric and adult cancer diagnosis using logic learning machine and standard supervised methods , Damiano Verda, Stefano Parodi, Enrico Ferrari, Marco Muselli, BMC Bioinformatics, Novembre 2019
Logic Learning Machine and standard supervised methods for Hodgkin’s lymphoma prognosis using gene expression data and clinical variables , Stefano Parodi, Chiara Manneschi, Damiano Verda, Enrico Ferrari, Marco Muselli, Health Informatics Journal, Marzo 2018
