基于ResNet-BiLSTM的最佳堆叠的基因疾病的准确检测和分类
1Department of Computer Science and Engineering, Anna University, Chennai, India.
概括
这项研究引入了一种新的AI模型,即大象群优化-鱼优化算法 (EHO-WOA) 优化了堆叠的ResNet-双向长期短期记忆 (ResNet-BiLSTM),用于从DNA数据中准确检测遗传疾病.
科学领域:
- 遗传学 遗传学 是一个
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 遗传性疾病是由脱氧核糖核酸 (DNA) 的改变引起的,可能导致异常的基因功能.
- 精确诊断遗传异常,包括染色体,复杂和单基因疾病至关重要.
- 现有的诊断方法可能需要提高精度和范围.
研究的目的:
- 开发和验证一种先进的计算模型,用于早期和准确地检测遗传疾病.
- 利用混合优化算法与深度学习架构来提高诊断性能.
- 识别一系列特定的遗传疾病,包括罕见综合征.
主要方法:
- 使用混合象群优化-鱼优化算法 (EHO-WOA) 来优化堆叠ResNet-双向长期短期记忆 (ResNet-BiLSTM) 神经网络.
- 该ResNet-BiLSTM模型是使用基因型和基因表达现型数据进行训练的.
- 模型的性能根据关键指标进行评估,例如准确性,回忆,特异性,精度和F1分数.
主要成果:
- 拟议的EHO-WOA优化ResNet-BiLSTM模型在预测各种遗传疾病方面表现出高准确性.
- 该模型成功地发现了罕见的遗传疾病,包括安吉尔曼综合征,雷特综合征和普拉德-威利综合征.
- 性能指标包括准确性,回忆力,特异性,精度和F1分数得到了显著提高.
结论:
- 开发的EHO-WOA优化ResNet-BiLSTM模型为诊断广泛的遗传疾病提供了强大而准确的工具.
- 这种方法对早期检测诸如普拉德-威利综合征,马方综合征,早期发病性肥胖症,雷特综合征和安吉尔曼综合征等疾病有显著前景.
- 混合优化与深度学习的整合为推进遗传疾病诊断提供了一个强大的框架.


