Матвеев, Д.И. Классификация медицинских данных с использованием многослойных перцептронов / Д.И. Матвеев, С.П. Дударов // Успехи в химии и химической технологии: сб. науч. тр. Том XXXIII, У78 № 11 (221). – М.: РХТУ им. Д. И. Менделеева, 2019. – 106 с.
Matveyev, D.I. Klassifikatsiya meditsinskikh dannykh s ispol'zovaniyem mnogosloynykh pertseptronov [Classification of medical data using multilayer perceptrons] / D.I. Matveyev, S.P. Dudarov // Uspekhi v khimii i khimicheskoy tekhnologii: sb. nauch. tr. Tom XXXIII, U78 № 11 (221). – M.: RKHTU im. D. I. Mendeleyeva, 2019. – 106 р.
Mieth, B. Combining multiple hypothesis testing with machine learning increases the statistical power of genome-wide association studies / B. Mieth et al. // Scientific reports. – 2016. – Т. 6. – № 1. – Р. 36671. DOI: 10.1038/srep36671.
Наркевич, А.Н. Интеллектуальные методы анализа данных в биомедицинских исследованиях: нейронные сети / А.Н. Наркевич, К.А. Виноградов, К.М. Параскевопуло, А.М. Гржибовский // Экология человека. – 2021. – № 4. – С. 55-64. DOI: 10.33396/1728-0869-2021-4-55-64.
Narkevich, A.N. Intellektual'nyye metody analiza dannykh v biomeditsinskikh issledovaniyakh: neyronnyye seti [Intellectual methods of data analysis in biomedical research: neural networks] / A.N. Narkevich, K.A. Vinogradov, K.M. Paraskevopulo, A.M. Grzhibovskiy // Ekologiya cheloveka. – 2021. – № 4. – P. 55-64. DOI: 10.33396/1728-0869-2021-4-55-64.
Koo, C.L. A review for detecting gene-gene interactions using machine learning methods in genetic epidemiology / C.L. Koo et al. // BioMed research international. – 2013. – Т. 2013. – P. 432375. DOI: 10.1155/2013/432375.
Дружков, П.Н. Использование градиентного бустинга деревьев решений для предсказания стабильности водородной связи в белке / П.Н. Дружков, Н.Ю. Золотых // Научно-технический вестник информационных технологий, механики и оптики. – 2011. – № 6 (76).
Druzhkov, P.N. Ispol'zovaniye gradiyentnogo bustinga derev'yev resheniy dlya predskazaniya stabil'nosti vodorodnoy svyazi v belke [Using gradient boosting of decision trees to predict the stability of a hydrogen bond in a protein] / P.N. Druzhkov, N.Yu. Zolotykh // Nauchno-tekhnicheskiy vestnik informatsionnykh tekhnologiy, mekhaniki i optiki. – 2011. – № 6 (76).
Корниенко, В.Ю. Общие сведения о машинном обучении и его применении для решения биологических задач / В.Ю. Корниенко, М.Ю. Минаев // Все о мясе. – 2021. – № 3. – С. 40-43. DOI: 10.21323/2071-2499-2021-3-40-43.
Korniyenko, V.Yu. Obshchiye svedeniya o mashinnom obuchenii i yego primenenii dlya resheniya biologicheskikh zadach [General information about machine learning and its application for solving biological problems] / V.Yu. Korniyenko, M.Yu. Minayev // Vsyo o myase. – 2021. – № 3. – P. 40-43. DOI: 10.21323/2071-2499-2021-3-40-43.
Yang, J. Genome-wide complex trait analysis (GCTA): methods, data analyses, and interpretations / J. Yang et al. // Genome-wide association studies and genomic prediction. – 2013. – Р. 215-236. DOI: 10.1007/978-1-62703-447-0_9.
Korte, A. The advantages and limitations of trait analysis with GWAS: a review / A. Korte, A. Farlow // Plant methods. – 2013. – Т. 9. – № 1. – Р. 1-9. DOI: 10.1186/1746-4811-9-29.
Wang, S. Tagging SNP-set selection with maximum information based on linkage disequilibrium structure in genome-wide association studies / S. Wang et al. // Bioinformatics. – 2017. – Т. 33. – № 14. – Р. 2078-2081. DOI: 10.1093/bioinformatics/btx151.
Hayes, B. Overview of statistical methods for genome-wide association studies (GWAS) / B. Hayes // Genome-wide association studies and genomic prediction. – 2013. – Р. 149-169.
Tiu, E.S.K. An evaluation of various data pre-processing techniques with machine learning models for water level prediction / E.S.K. Tiu, Y.F. Huang, J.L. Ng, N. AlDahoul, A.N. Ahmed, A. Elshafie // Natural Hazards. – 2022. – Т. 110. – № 1. – Р. 121-153. DOI: 10.1007/s11069-021-04939-8.