Un enfoque integrado Boruta-SMOTE para la clasificación rápida de razas de burros utilizando datos de SNP: Abordando...

Área de la Ciencia:

• Genómica
• Bioinformática
• Biología Computacional

Sus antecedentes:

• La clasificación de datos genómicos se enfrenta a desafíos como la maldición de la dimensionalidad y el desequilibrio de clases.
• Los métodos tradicionales tienen dificultades con los datos de polimorfismo de un solo nucleótido (SNP) de alta dimensionalidad.
• El desequilibrio de clases dificulta el análisis preciso en estudios genéticos.

Objetivo del estudio:

• Desarrollar un método eficaz de clasificación de datos genómicos que aborde la dimensionalidad y el desequilibrio.
• Integrar Boruta para la optimización de características y SMOTE para el equilibrio de clases.
• Mejorar el rendimiento de la clasificación para conjuntos de datos genómicos, particularmente en genética animal.

Principales métodos:

• Selección de características utilizando el algoritmo Boruta para identificar marcadores genéticos clave.
• Aplicación de la Técnica Sintética de Sobremuestreo de Minorías (SMOTE) para equilibrar las distribuciones de clases.
• Análisis comparativo frente a clasificadores tradicionales como Random Forest, KNN, XGBoost y CNN.

Principales resultados:

• El método integrado Boruta-SMOTE redujo significativamente la complejidad de los datos.
• SMOTE equilibró eficazmente las distribuciones de clases minoritarias, mitigando los problemas de desequilibrio.
• El método propuesto demostró un rendimiento superior en precisión, exactitud, exhaustividad y puntuación F1 en comparación con los métodos tradicionales.

Conclusiones:

• El enfoque Boruta-SMOTE ofrece una solución robusta para datos genómicos de alta dimensionalidad y desequilibrados.
• Este método mejora la clasificación de recursos genéticos, ayudando a la mejora de razas y aplicaciones comerciales.
• Proporciona una herramienta valiosa para avanzar en el análisis de datos genómicos en diversos campos biológicos.