Сзвм 2018 новая форма: Новая форма СЗВ-М 2022 скачать бланк бесплатно образец в excel и word | Сведения о застрахованных лицах | ПФР | месяц | отчет

СЗВ-М — образец заполнения в 2020 году

Чтобы Пенсионный фонд принял отчет СЗВ-М с первого раза, в нем должны быть указаны корректные данные о работодателе и застрахованных лицах. Кроме того, заполненная форма должна своевременно попасть в ПФР допустимым способом, зависящим от численности застрахованных лиц. Можно ли в 2022 году заполнить СЗВ-М онлайн бесплатно, где взять бланк, из каких разделов он состоит и какие данные нужны для заполнения, узнайте из нашего материала. Здесь же вы найдете образец заполнения СЗВ-М в 2022 году по новой форме, а также ответы на другие сопутствующие вопросы.

Кто обязан сдавать отчет СЗВ-М

Кто из работодателей обязан представлять СЗВ-М, поможет разобраться информация на рисунке:

Принимая решение, нужно ли представлять в ПФР форму СЗВ-М, учитывайте следующее:

  • Отсутствие в отчетном периоде начислений и выплат по тем или иным договорам не является основанием для непредставления СЗВ-М. Данные о физлицах, с которыми заключены такие договоры, включаются в отчет.

  • Отсутствие сотрудников в штате и физлиц, с которыми заключены договоры ГПХ, при наличии у компании директора — единственного учредителя, по мнению ПФР, не повод не представлять СЗВ-М.

Вопрос о том, нужно ли представлять СЗВ-М на руководителя — единственного учредителя, вызывает много споров и судебных разбирательств. Однако чиновники требуют в такой ситуации отчитываться по форме СЗВ-М (письма Минтруда от 16.03.2018 № 17-4/10/В-1846, от 29.03.2018 № ЛЧ-08-24/5721), а судьи их поддерживают (постановление АС Центрального округа от 18.04.2019 по делу № А14-1839/2018).

Ранее мы рассказывали, какие законодательные нормы обязывают представлять СЗВ-М на единственного учредителя.

Нужно ли заполнять СЗВ-М на совместителей и декретниц, разъяснили эксперты КонсультантПлюс. Получите пробный доступ к К+ бесплатно и переходите в Готовое решение.

Где взять бланк и когда представить готовый СЗВ-М в ПФР

С 30.05.2021 (то есть с отчета за май 2021) форма СЗВ-М и порядок ее заполнения утверждены постановлением Правления ПФР от 15. 04.2021 № 103п. Она представляет собой один из отчетов работодателей в Пенсионный фонд, содержащий персонифицированные сведения о физлицах (Ф.И.О., СНИЛС и ИНН) — сотрудниках, с которыми оформлены трудовые договоры, и лицах, заключивших договоры гражданско-правового характера (ГПХ). Скачать форму можно бесплатно, кликнув по картинке ниже:

Бланк СЗВ-М

Скачать

СЗВ-М необходимо представлять ежемесячно — не позднее 15-го числа месяца, следующего за отчетным (п. 2.2 ст. 11 закона «Об индивидуальном (персонифицированном) учете в системе обязательного пенсионного страхования» от 01.04.1996 № 27-ФЗ).

В отдельных случаях на заполнение СЗВ-М можно потратить чуть больше указанного времени: если 15-е число выпадает на выходной или праздничный день, крайний отчетный срок сдвигается на первый рабочий день (письмо ПФР от 07.04.2016 № 09-19/4844).

Какой штраф за нарушения с СЗВ-М, узнайте в Готовом решении от КонсультантПлюс. Пробный доступ к системе можно получить бесплатно.

Далее расскажем о составе отчетной формы и покажем, как выглядит образец СЗВ-М.

Четыре информационных блока для заполнения

Структура и состав данных СЗВ-М довольно просты. Если у работодателя не много застрахованных лиц, весь отчет может поместиться на 1 странице.

Всего в отчете 4 раздела:

  1. Данные о работодателе.

Регистрационный номер в ПФР — это 12-значный цифровой код, присваиваемый каждому работодателю при регистрации в Пенсионном фонде. Чтобы убедиться, что имеющиеся у составителя отчета данные об этом номере достоверны, можно его проверить на сайте ФНС, открыв выписку из ЕГРЮЛ/ЕГРИП. В выписке регистрационный номер указан в разделе «Сведения о страхователе в Пенсионном фонде».

Остальные сведения о работодателе, вносимые в форму, должны быть полностью идентичными данным из учредительных документов (в части наименования компании), а также Свидетельства о постановке на учет в налоговом органе (данные об ИНН и КПП).

  1. Отчетный период.

В этом разделе нужно проставить всего 2 цифры: календарный год и номер отчетного месяца в установленном формате.

  1. Тип формы.

В этом разделе указывается один из трех предлагаемых типов формы: «Исходная», «Дополняющая» или «Отменяющая». Расшифровка каждого типа приведена в п. 13 Порядка заполнения.

По информации из этого раздела специалисты ПФР поймут, сдаете ли вы отчет СЗВ-М с исходными данными за отчетный период или корректируете уже поданную форму при выявлении в ней недостающих или ошибочных данных.

  1. Сведения о застрахованных лицах.

Для заполнения раздела нужны корректные данные о Ф.И.О., СНИЛС и ИНН застрахованных лиц.

При этом в графе «Фамилия, имя, отчество» отчество заполняется при его наличии. Это же правило касается графы «ИНН» — если у физлица его нет, данная графа не заполняется. А вот без данных о СНИЛС отчет сдать не получится.

Завершается оформление отчета стандартной процедурой — подписанием ответственным лицом с проставлением его должности и расшифровкой Ф. И.О. Печатью отчет заверяется только при ее наличии у работодателя.

Посмотреть и скачать образец СЗВ-М 2022 года по новой форме можно в КонсультантПлюс, получив бесплатный пробный доступ:

Скачайте наш чек-лист по заполнению СЗВ-М и не допускайте ошибок.

Читайте также еще об одном новом отчете в ПФР, который нужно сдавать вместе с СЗВ-М.

Бесплатная программа по формированию отчета

Работодатели, сдающие отчетность в ПФР впервые, часто интересуются, можно ли заполнить СЗВ-М онлайн и есть ли бесплатные сервисы формирования этой формы.

Существует немало платных и бесплатных сервисов по формированию отчетных форм для ПФР. К примеру, для заполнения СЗВ-М онлайн бесплатно можно воспользоваться предложением от ПФР. На его официальном сайте можно скачать программу Spu_orb и сформировать набор документов для Пенсионного фонда, в том числе СЗВ-М. Эта программа распространяется бесплатно.

Устанавливается программа быстро и не требует специальных компьютерных навыков. Достаточно следовать подсказкам мастера установки:

Познакомьтесь с нашими материалами о том, как современные технологии облегчают формирование разнообразных учетных и отчетных документов:

  • «Онлайн-заполнение товарной накладной: какие есть сервисы»;

  • «Сервисы для заполнения справки 2-НДФЛ онлайн»;

  • «Обзор программ и сервисов для ведения бухгалтерии онлайн».

Как заполнить отчетную форму в программе ПФР

Рассмотрим, как заполнять отчет СЗВ-М после установки и запуска программы Spu_orb.

Основные этапы оформления отчета:

  1. Ввод данных о работодателе.

Для начала работы в меню «Настройки» следует выбрать пункт «Реквизиты предприятия» и отразить необходимую информацию:

  1. Ввод данных о сотрудниках.

Чтобы заполнить СЗВ-М данными о сотрудниках, в меню «Ввод данных» выберите отчетную форму «Сведения о застрахованных лицах: СЗВ-М».

Затем укажите отчетные месяц и год, тип формы (исходная) и дату заполнения формы с помощью кнопки «Добавить» и введите данные о сотрудниках:

Если вы ошиблись при вводе данных, программа на это укажет:

В отчет включаются работники, с которыми в отчетном месяце действовал трудовой договор или договор подряда — хотя бы один день. Тот факт, перечислял работодатель по таким контрактам вознаграждения или нет, значения не имеет.

После того как данные обо всех сотрудниках внесены в форму, готовый СЗВ-М можно просмотреть с помощью кнопки «Печать», выгрузить и/или распечатать.

Возможность заполнить СЗВ-М онлайн бесплатно предоставляют некоторые коммерческие сайты. Для этого предлагается заполнить необходимыми данными предложенные поля, которые соответствуют содержанию СЗВ-М, и распечатать форму. Однако такие сервисы, как правило, не позволяют проверить корректность введенных данных и сформировать файл для отправки отчета в электронной форме.

В какой форме отчитаться

СЗВ-М можно сдавать на бумаге или электронно в зависимости от числа застрахованных лиц:

С 10.01.2022 если численность застрахованных лиц за прошлый отчетный период 10 и менее человек, работодатель вправе выбрать между бумажным и электронным отчетом. Начиная с 11 работников права выбора нет — в ПФР можно отчитаться только электронно (п.  2 ст. 8 федерального закона от 01.04.1996 № 27-ФЗ).

Прочитайте также о том, можно ли отправить СЗВ-М по почте.

Итоги

Форма СЗВ-М представляется ежемесячно не позднее 15-го числа месяца, следующего за отчетным. В ней указываются данные о работодателе: регистрационный номер в ПФР, наименование, ИНН и КПП, а также корректные сведения о Ф.И.О., СНИЛС и ИНН застрахованных лиц, с которыми в отчетном месяце были заключены, продолжали действовать или прекращены трудовые договоры или договоры ГПХ.

Заполнить СЗВ-М онлайн бесплатно в 2022 году можно на коммерческих интернет-сайтах. Но безопаснее использовать специальную программу от ПФР или применяемые большинством работодателей учетные программы, предоставляющие возможность последующей проверки на корректность введенных данных и формирования файла для отправки отчета в электронной форме.

Источники:

  • федеральный закон от 01.04.1996 № 27-ФЗ (ред. от 01.04.2019) «Об индивидуальном (персонифицированном) учете в системе обязательного пенсионного страхования»
  • постановление Правления ПФР от 01.02.2016 № 83п «Об утверждении формы «Сведения о застрахованных лицах»

Модель

SVM: основы метода опорных векторов — статьи

Модель SVM: основы машины опорных векторов


кассамбара |
   |
 20404
|  Комментариев (2)
| Основы методов классификации

Машина опорных векторов (или SVM ) — это метод машинного обучения, используемый для задач классификации . Вкратце, SVM работает, определяя оптимальную границу решения, которая отделяет точки данных от разных групп (или классов), а затем прогнозирует класс новых наблюдений на основе этой границы разделения.

В зависимости от ситуации разные группы могут быть разделены линейной прямой линией или нелинейной граничной линией.

Методы машины опорных векторов могут работать как с линейными, так и с нелинейными границами классов. Его можно использовать как для двухклассовых, так и для многоклассовых задач классификации.

В реальных данных граница раздела обычно нелинейна. Технически алгоритм SVM выполняет нелинейную классификацию, используя так называемый трюк ядра. Наиболее часто используемыми преобразованиями ядра являются полиномиальное ядро ​​ и радиальное ядро ​​ .

Обратите внимание, что существует также расширение SVM для регрессии, называемое регрессией опорных векторов.

В этой главе мы опишем, как построить классификатор SVM с помощью пакета Caret R.

Содержимое:

  • Загрузка необходимых пакетов R
  • Пример набора данных
  • Линейный классификатор SVM
  • Классификатор SVM с использованием нелинейного ядра
  • Обсуждение

Книга:


Основы машинного обучения: практическое руководство в R

Загрузка необходимых пакетов R

  • tidyverse для простой обработки данных и визуализации
  • знак вставки для упрощения процесса машинного обучения
 библиотека (tidyverse)
library(caret)

Пример набора данных

Набор данных: PimaIndiansDiabetes2 [в пакете mlbench ], представленный в главе @ref(classification-in-r), для прогнозирования вероятности наличия диабета на основе множественных клинические переменные.

Мы случайным образом разделим данные на обучающий набор (80% для построения прогностической модели) и тестовый набор (20% для оценки модели). Обязательно установите семена для воспроизводимости.

 # Загрузить данные
данные («PimaIndiansDiabetes2», пакет = «mlbench»)
пима.данные %
  createDataPartition (p = 0,8, список = FALSE)
train.data

Линейный классификатор SVM

В следующем примере переменные нормализуются, чтобы сделать их шкалу сопоставимой. Это делается автоматически перед построением классификатора SVM путем установки опции preProcess = c("центр","масштаб") .

 # Установите модель на тренировочном наборе
сет.сид(123)
модель% предсказывает (test.data)
head(predicted.classes) 
 ## [1] neg pos neg pos pos neg
## Уровни: neg pos 
 # Уровень точности вычислительной модели
mean(predicted.classes == test.data$diabetes) 
 ## [1] 0,782

Обратите внимание, что существует параметр настройки C , также известный как Cost , который определяет возможные ошибки классификации. По сути, это налагает штраф на модель за ошибку: чем выше значение C, тем меньше вероятность того, что алгоритм SVM неправильно классифицирует точку.

По умолчанию знак вставки строит линейный классификатор SVM, используя C = 1 . Вы можете проверить это, набрав модель в консоли R.

Можно автоматически вычислить SVM для различных значений `C и выбрать оптимальное значение, обеспечивающее максимальную точность перекрестной проверки модели.

Следующий код R вычисляет SVM для значений сетки C и автоматически выбирает окончательную модель для прогнозов:

 # Подгонка модели к обучающему набору
сет.сид(123)
модель 

 # Вывести лучший параметр настройки C, который
# максимизирует точность модели
модель $bestTune 
 ## C
## 12 1.16 
 # Делаем прогнозы на тестовых данных
предсказание.классы% предсказание(тест.данные)
# Расчет точности модели
mean(predicted.classes == test.data$diabetes) 
 ## [1] 0,782

Классификатор SVM с использованием нелинейного ядра

Чтобы построить нелинейный классификатор SVM, мы можем использовать либо полиномиальное ядро, либо радиальное ядро функция. И снова 9Пакет 0061 Caret можно использовать для простого вычисления полиномиальных и радиальных нелинейных моделей SVM.

Пакет автоматически выбирает оптимальные значения параметров настройки модели, где оптимальные определяются как значения, обеспечивающие максимальную точность модели.

  • Вычисление SVM с использованием радиального ядра :
 # Установите модель на тренировочном наборе
сет.сид(123)
модель 
 ## сигма C
## 1 0.136 0.25 
 # Сделать прогноз на тестовых данных
предсказание.классы% предсказание(тест.данные)
# Расчет точности модели
среднее (прогноз.классы == test.data$diabetes) 
 ## [1] 0,795
  • Вычисление SVM с использованием ядра полиномиального базиса :
 # Установите модель на тренировочном наборе
сет.сид(123)
модель 
 ## шкала градусов C
## 8 1 0.01 2 
 # Делаем прогнозы на тестовых данных
предсказание.классы% предсказание(тест. данные)
# Расчет точности модели
среднее(прогноз.классы == тест.данные$диабет) 
 ## [1] 0,795

В наших примерах видно, что классификатор SVM с использованием нелинейного ядра дает лучший результат по сравнению с линейной моделью.

0
Примечание

Понравилась эта статья? Дайте нам 5 звезд
(чуть выше этого текстового блока)! Читатель должен быть членом STHDA для голосования. Я был бы очень признателен, если бы вы помогли его распространению, отправив его по электронной почте другу или поделившись им в Twitter, Facebook или Linked In.

Подарите мне немного любви с помощью кнопок «Нравится» ниже… Спасибо и, пожалуйста, не забудьте поделиться и прокомментировать ниже!!

Avez vous aimé c этой статьей? Donnez nous 5 звезд
(Juste au dessus de ce block)! Vous Devez être член для избирателя. Je vous serais très reconnaissant si vous aidiez à sa диффузия en l’envoyant par courriel à un ami ou en le partageant sur Twitter, Facebook или Linked In.

Montrez-moi un peu d’amour avec les like ci-dessous … Merci et n’oubliez pas, s’il vous plaît, de partager et de commenter ci-dessous!


Применение метода опорных векторов (SVM) для изучения геномики рака

1. Круз Дж.А., Уишарт Д.С. Применение машинного обучения в прогнозировании и прогнозировании рака. Рак Информ. 2006; 2:59–77. [Бесплатная статья PMC] [PubMed] [Google Scholar]

2. Чиккетти Д. Нейронные сети и диагностика в клинической лаборатории: современное состояние. Клин Хим. 1992;38(1):9–10. [PubMed] [Google Scholar]

3. Саймс Р.Дж. Выбор лечения для больных раком: применение статистической теории принятия решений к лечению распространенного рака яичников. J хронический дис. 1985;38(2):171–186. [PubMed] [Google Scholar]

4. Аруна С., Раджагопалан С.П. Новый алгоритм выбора признаков CSSFFS на основе SVM для обнаружения рака молочной железы. Приложение Int J Comput. 2011;31(8):14–20. [Академия Google]

5. Ноубл В. Применение машины опорных векторов в вычислительной биологии. В: Методы ядра в вычислительной биологии. Шёлькопф
Б., Цуда К. и Верт Дж. П. (ред.) Кембридж, Массачусетс, MIT Press. 2004; В: 71–92. [Google Scholar]

6. Благородный В.С. Что такое машина опорных векторов. Нац биотехнолог. 2006;24(12):1565–1557. [PubMed] [Google Scholar]

7. Вапник В. Распознавание образов методом обобщенного портрета. Автом дистанционного управления. 1963; 24: 774–780. [Google Scholar]

8. Айзерман М.А., Браверман Э.М., Розонер Л.И. Теоретические основы метода потенциальных функций в обучении распознаванию образов. Автом дистанционного управления. 1964;25:821–837. [Google Scholar]

9. Голуб Т.Р., Слоним Д.К., Тамайо П., Хуард С., Гаасенбек М., Месиров Д.П., Коллер Х., Ло М.Л., Даунинг Д.Р., Калиджури М.А. Молекулярная классификация рака: открытие класса и предсказание класса путем мониторинга экспрессии генов. Наука. 1999;286(5439):531–537. [PubMed] [Google Scholar]

10. Вапник В., Мукерджи С. Поддержка VectorMachine для достижений многомерной оценки плотности в системах обработки нейронной информации. Лин Т., Солла С. и Мюллер К.Р. (ред.) Кембридж, Массачусетс, MIT Press. 2000:659–665. [Google Scholar]

11. Moler E, Chow M, Mian I. Анализ данных молекулярного профиля с использованием генеративных и дискриминационных методов. Физиол Геномика. 2000;4(2):109–126. [PubMed] [Google Scholar]

12. Фьюри Т.С., Кристианини Н., Даффи Н., Беднарски Д.В., Шуммер М., Хаусслер Д. Машинная классификация вспомогательных векторов и проверка образцов раковой ткани с использованием данных экспрессии микрочипов. Биоинформатика. 2000;16(10):906–914. [PubMed] [Google Scholar]

13. Segal NH, Pavlidis P, Noble WS, Antonescu CR, Viale A, Wesley UV, Busam K, Gallardo H, DeSantis D, Brennan MF. Классификация светлоклеточной саркомы как меланомы мягких тканей с помощью геномного профилирования. Дж. Клин Онкол. 2003; 21: 1775–1781. [PubMed] [Академия Google]

14. Сегал Н.Х., Павлидис П., Антонеску К.Р., Маки Р.Г., Ноубл В.С., ДеСантис Д., Вудрафф Дж.М., Льюис Дж.Дж., Бреннан М.Ф., Хоутон А.Н. Классификация и предсказание подтипа саркомы мягких тканей у взрослых с помощью функциональной геномики. Ам Джей Патол. 2003;163(2):691–700. [Бесплатная статья PMC] [PubMed] [Google Scholar]

15. Тан Ю. Глубокое обучение с использованием линейных машин опорных векторов. Препринт arXiv 1306.0239. 2013 [Google Scholar]

16. Ли Т., Чжан С., Огихара М. Сравнительное исследование методов отбора признаков и многоклассовой классификации для классификации тканей на основе экспрессии генов. Биоинформатика. 2004;20(15):2429–2437. [PubMed] [Google Scholar]

17. Модель Ф., Адорьян П., Олек А., Пипенброк С. Выбор признаков для классификации рака на основе метилирования ДНК. Биоинформатика. 2001; 17 (прил. 1): S157–164. [PubMed] [Google Scholar]

18. Ким С. Метод опорных векторов взвешенных K-средних для предсказания рака. Спрингерплюс. 2016;5(1):1162. [Бесплатная статья PMC] [PubMed] [Google Scholar]

19. Yang Z, Jin M, Zhang Z, Lu J, Hao K. Классификация на основе выделения признаков для диагностики гепатоцеллюлярной карциномы с использованием данных высокопроизводительного секвенирования метилирования ДНК. Procedia Comput Sci. 2017; 107: 412–417. [Академия Google]

20. Алкухлани А., Нассеф М., Фараг И. Многоэтапный подход к выбору признаков для многомерных данных о раке. Мягкий компьютер. 2017;21:6895–6906. [Google Scholar]

21. Guo S, Yan F, Xu J, Bao Y, Zhu J, Wang X, Wu J, Li Y, Pu W, Liu Y, Jiang Z, Ma Y, Chen X, Xiong M, Джин Л., Ван Дж. Идентификация и проверка биомаркеров метилирования немелкоклеточного рака легкого (НМРЛ) Clin Epigenetics. 2015;7:3. [Бесплатная статья PMC] [PubMed] [Google Scholar]

22. Sun Z, Fu X, Zhang L, Yang X, Liu F, Hu G. Система белковых чипов для параллельного анализа мультиопухолевых маркеров и ее применение в выявление рака. Противораковый Рез. 2004;24:1159–1165. [PubMed] [Google Scholar]

23. Тьянова С., Альбрехтсен Р., Кронквист П., Кокс Дж., Манн М., Гейгер Т. Протеомные карты подтипов рака молочной железы. Нац коммун. 2016;7:10259. [Бесплатная статья PMC] [PubMed] [Google Scholar]

24. Rapaport F, Barillot E, Vert JP. Классификация данных arrayCGH с использованием объединенного SVM. Биоинформатика. 2008;24(13):i375–i382. [Бесплатная статья PMC] [PubMed] [Google Scholar]

25. Vura S, Wang X, Guda C. Классификация больных раком молочной железы с использованием профилей соматических мутаций и подходов машинного обучения. BMC Сист Биол. 2016;10(доп.3):62. [Бесплатная статья PMC] [PubMed] [Google Scholar]

26. Wu T, Wang Y, Jiang R, Lu X, Tian J. Модель прогнозирования на основе путей для классификации подтипов рака молочной железы. Онкотаргет. 2017;8(35):58809–58822. [Бесплатная статья PMC] [PubMed] [Google Scholar]

27. Lin E, Lane HY. Подходы машинного обучения и системной геномики для мультиомных данных. Биомарк Рез. 2017;5(1):2. [Бесплатная статья PMC] [PubMed] [Google Scholar]

28. Kim S, Jhong JH, Lee J, Koo JY. Метааналитическая машина опорных векторов для интеграции нескольких данных omics. Биоданные Мин. 2017;10(1):2. [Бесплатная статья PMC] [PubMed] [Google Scholar]

29. Ю А.Дж., Ю С.Ю. Биомаркеры колоректального рака. Противораковый Рез. 2016;36(3):1093–1102. [PubMed] [Google Scholar]

30. He W. Подход с использованием сплайн-функции для обнаружения дифференциально экспрессируемых генов в анализе данных микрочипов. Биоинформатика. 2004;20(17):2954–2963. [PubMed] [Google Scholar]

31. Томас Дж. Г., Олсон Дж. М., Тапскотт С. Дж., Чжао Л. П. Эффективный и надежный подход к статистическому моделированию для обнаружения дифференциально экспрессируемых генов с использованием профилей геномной экспрессии. Геном Res. 2001;11(7):1227–1236. [Бесплатная статья PMC] [PubMed] [Google Scholar]

32. Pan W. Сравнительный обзор статистических методов обнаружения дифференциально экспрессируемых генов в экспериментах с повторными микрочипами. Биоинформатика. 2002;18(4):546–554. [PubMed] [Google Scholar]

33. Троянская О.Г., Гарбер М.Е., Браун П.О., Ботштейн Д., Альтман Р.Б. Непараметрические методы идентификации дифференциально экспрессируемых генов в данных микрочипов. Биоинформатика. 2002;18(11):1454–1461. [PubMed] [Google Scholar]

34. Xu G, Zhang M, Zhu H, Xu J. 15-генная сигнатура для предсказания рецидива рака толстой кишки и прогноза на основе SVM. Ген. 2017; 604:33–40. [PubMed] [Академия Google]

35. Ху Ю., Хасэ Т., Ли Х.П., Прабхакар С., Китано Х., Нг С.К., Гош С., Ви Л.Дж. Подход машинного обучения для идентификации ключевых маркеров, участвующих в развитии мозга, по данным транскриптомии отдельных клеток. Геномика БМС. 2016;17(доп.13):1025. [Бесплатная статья PMC] [PubMed] [Google Scholar]

36. Henneges C, Bullinger D, Fux R, Friese N, Seeger H, Neubauer H, Laufer S, Gleiter CH, Schwab M, Zell A, Kammerer B. Prediction рака молочной железы путем профилирования метаболитов РНК в моче с использованием выбора признаков на основе машины опорных векторов. БМК Рак. 2009 г.;9:104. [Бесплатная статья PMC] [PubMed] [Google Scholar]

37. Han M, Dai J, Zhang Y, Lin Q, Jiang M, Xu X, Liu Q, Jia J. Машины опорных векторов в сочетании с протеомными подходами для обнаружения биомаркеров прогнозирование резистентности к химиотерапии при мелкоклеточном раке легкого. Oncol Rep. 2012;28(6):2233–2238. [PubMed] [Google Scholar]

38. Abeel T, Helleputte T, Van de Peer Y, Dupont P, Saeys Y. Надежная идентификация биомаркеров для диагностики рака с помощью методов выбора ансамблевых признаков. Биоинформатика. 2009 г.;26(3):392–398. [PubMed] [Google Scholar]

39. Guyon I, Elisseeeff A. Введение в выбор переменных и признаков. Дж. Мах Узнать Рез. 2003;3:1157–1182. [Google Scholar]

40. Guyon I, Weston J, Barnhill S, Vapnik V. Отбор генов для классификации рака с использованием машин опорных векторов. Мах Учиться. 2002;46(1):389–422. [Google Scholar]

41. Чен Л., Сюань Дж., Риггинс Р.Б., Кларк Р., Ван Ю. Идентификация биомаркеров рака с помощью машин опорных векторов, ограниченных сетью. BMC Сист Биол. 2011;5(1):161. [Бесплатная статья PMC] [PubMed] [Google Scholar]

42. Стагос Д., Караберис Э., Куретас Д. Оценка антиоксидантной/антиканцерогенной активности растительных экстрактов комбинацией молекулярных методов. В Виво. 2005;19(4):741–747. [PubMed] [Google Scholar]

43. Вармут М.К., Ляо Дж., Рач Г., Мэтисон М., Путта С., Леммен С. Активное обучение с использованием опорных векторов в процессе разработки лекарств. J Chem Inf Comput Sci. 2003;43(2):667–673. [PubMed] [Google Scholar]

44. Гупта С., Чаудхари К., Кумар Р., Гаутам Г., Нанда Дж. С., Дханда С. К., Брахмачари С. К., Рагхава GPS. Приоритизация противоопухолевых препаратов против рака с использованием геномных особенностей раковых клеток: шаг к персонализированной медицине. Научный доклад 2016; 6: 23857. [Бесплатная статья PMC] [PubMed] [Google Scholar]

45. Бундела С., Шарма А., Бисен П.С. Потенциальные соединения для лечения рака полости рта: ресвератрол, нимболид, ловастатин, бортезомиб, вориностат, берберин, птеростильбен, дегелин, андрографолид и колхицин. ПЛОС Один. 2015;10(11):e0141719. [Статья бесплатно PMC] [PubMed] [Google Scholar]

46. Мацумото А., Аоки С., Овада Х. Сравнение случайного леса и SVM для необработанных данных при открытии лекарств: прогнозирование радиационной защиты и тематического исследования токсичности. Int J Mach Learn Comput. 2016;6(2):145–148. [Академия Google]

47. Morita A, Ariyasu S, Wang B, Asanuma T, Onoda T, Sawa A, Tanaka K, Takahashi I, Togami S, Nenoi M. AS-2, новый ингибитор p53-зависимого апоптоза, предотвращает апоптотические митохондриальные дисфункция независимым от транскрипции образом и защищает мышей от летальной дозы ионизирующего излучения. Biochem Biophys Res Commun. 2014;450(4):1498–1504. [PubMed] [Google Scholar]

48. Волкамер А., Кун Д., Громбахер Т., Риппманн Ф., Рэри М. Комбинирование глобальных и локальных показателей для прогнозирования лекарственной способности на основе структуры. Модель J Chem Inf. 2012;52(2):360–372. [PubMed] [Академия Google]

49. Ли Л., Ван Б., Меруэ С.О. Поддержка оценки векторной регрессии комплексов рецептор-лиганд для ранжирования и виртуального скрининга химических библиотек. Модель J Chem Inf. 2011;51(9):2132–2138. [Бесплатная статья PMC] [PubMed] [Google Scholar]

50. Li GB, Yang LL, Wang WJ, Li LL, Yang SY. ID-Score: новая эмпирическая функция оценки, основанная на комплексном наборе дескрипторов, связанных с взаимодействием белок-лиганд. Модель J Chem Inf. 2013;53(3):592–600. [PubMed] [Академия Google]

51. Wang Q, Feng Y, Huang J, Wang T, Cheng G. Новая структура для идентификации белков-мишеней лекарственных средств: объединение многоуровневых автокодировщиков со смещенной машиной опорных векторов. PloS Один. 2017;12(4):e0176486. [Бесплатная статья PMC] [PubMed] [Google Scholar]

52. Чон Дж., Ним С., Тейра Дж., Датти А., Врана Дж.Л., Сидху С.С., Моффат Дж., Ким П.М. Системный подход к выявлению новых мишеней для противораковых препаратов с использованием машинного обучения, разработки ингибиторов и высокопроизводительного скрининга. Геном Мед. 2014;6(7):57. [Бесплатная статья PMC] [PubMed] [Google Scholar]

53. Сингх Х., Кумар Р., Сингх С., Чаудхари К., Гаутам А., Рагхава Г.П. Прогнозирование противоопухолевых молекул с использованием гибридной модели, разработанной на молекулах, проверенных на линии раковых клеток NCI-60. БМК Рак. 2016;16(1):77. [Бесплатная статья PMC] [PubMed] [Google Scholar]

54. Stetson LC, Pearl T, Chen Y, Barnholtz-Sloan JS. Компьютерная идентификация мультиомных коррелятов противоракового терапевтического ответа. Геномика BMC. 2014;15(7):S2. [Бесплатная статья PMC] [PubMed] [Google Scholar]

55. Hejase HA, Chan C. Улучшение прогнозирования чувствительности к лекарственным средствам с использованием различных типов данных. CPT Pharmacometrics Syst Pharmacol. 2015;4:98–105. [Бесплатная статья PMC] [PubMed] [Google Scholar]

56. Hazai E, Hazai I, Ragueneau-Majlessi I, Chung SP, Bikadi Z, Mao Q. Прогнозирование субстратов белка устойчивости к раку молочной железы человека с использованием машины опорных векторов метод. Биоинформатика BMC. 2013;14:130. [Бесплатная статья PMC] [PubMed] [Google Scholar]

57. Normanno N, Rachiglio AM, Roma C, Fenizia F, Esposito C, Pasquale R, La Porta ML, Iannaccone A, Micheli F, Santangelo M. Молекулярная диагностика и персонализированная медицина в онкологии: вызовы и возможности. Джей Селл Биохим. 2013;114(3):514–524. [PubMed] [Академия Google]

58. Фогельштейн Б., Пападопулос Н., Велькулеску В.Е., Чжоу С., Диас Л.А., Кинзлер К.В. Ландшафты генома рака. Наука. 2013;339(6127):1546–1558. [Бесплатная статья PMC] [PubMed] [Google Scholar]

59. Джордан Э.Дж., Радхакришнан Р. Предсказания машинного обучения мутаций, вызывающих рак. Материалы 6-го Международного семинара перспективных исследований по онкологии и исследованию рака in silico 2014 года. 2014 г.: 10.1109/IARWISOCI.2014.7034632. [Google Scholar]

60. Capriotti E, Altman RB. Новый подход к машинному обучению для конкретных заболеваний для прогнозирования вариантов миссенс, вызывающих рак. Геномика. 2011;98(4):310–317. [Статья бесплатно PMC] [PubMed] [Google Scholar]

61. Izarzugaza JM, del Pozo A, Vazquez M, Valencia A. Приоритизация патогенных мутаций в суперсемействе протеинкиназ. Геномика BMC. 2012;13(4):S3. [Бесплатная статья PMC] [PubMed] [Google Scholar]

62. Tan H, Bao J, Zhou X. Новая схема извлечения признаков, связанных с миссенс-мутацией, для идентификации «драйверной» мутации. Биоинформатика. 2012;28(22):2948–2955. [Бесплатная статья PMC] [PubMed] [Google Scholar]

63. Каприотти Э., Альтман Р.Б. Новый подход к машинному обучению для конкретных заболеваний для прогнозирования вариантов миссенс, вызывающих рак. Геномика. 2011;98(4):310–317. [Бесплатная статья PMC] [PubMed] [Google Scholar]

64. Bari MG, Ung CY, Zhang C, Zhu S, Li H. Подход к сетевому выводу с помощью машинного обучения для определения нового класса генов, которые координируют функциональность раковые сети. Научный доклад 2017; 7: 6993. [Бесплатная статья PMC] [PubMed] [Google Scholar]

65. Listgarten J, Damaraju S, Poulin B, Cook L, Dufour J, Driga A, Mackey J, Wishart D, Greiner R, Zanke B. Прогностические модели груди предрасположенность к раку из-за множественных однонуклеотидных полиморфизмов. Клин Рак Рез. 2004;10(8):2725–2737. [PubMed] [Академия Google]

66. Schwender H, Zucknick M, Ickstadt K, Bolt HM, The GENICA network Пилотное исследование по применению процедур статистической классификации к молекулярным эпидемиологическим данным. Токсикол Летт. 2004;151(1):291–299. [PubMed] [Google Scholar]

67. Chen SH, Sun J, Dimitrov L, Turner AR, Adams TS, Meyers DA, Chang BL, Zheng SL, Grönberg H, Xu J. Метод опорных векторов для обнаружения генов– взаимодействие генов. Генетический эпидемиол. 2008;32(2):152–67. [PubMed] [Академия Google]

68. Guo Y, Yu L, Wen Z, Li M. Использование метода опорных векторов в сочетании с автоковариантностью для прогнозирования межбелковых взаимодействий по белковым последовательностям. Нуклеиновые Кислоты Res. 2008;36(9):3025–3030.