使用基于多目标优化的关联规则挖掘多omics数据的综合策略的最佳排名和定向签名分类

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 关联规则挖掘 (ARM) 识别数据集中的关系,但与众多规则和整合多样化的生物数据作斗争.
• 现有的ARM方法在选择有效规则和在多个生物数据集中纳入可变的切断值方面面临挑战.

研究的目的:

• 开发一个新的框架,MOOVARM (基于多目标优化变量切断值的关联规则挖掘),用于分析多omics配置文件.
• 解决传统ARM在处理复杂的生物数据和规则选择方面的局限性.

主要方法:

• MOOVARM采用多目标优化与可变切断值,用于对多omics数据的关联规则挖掘.
• 它确定了正的理想解决方案 (PIS) 和负的理想解决方案 (NIS),以根据利和损失来评估基因组.
• 从PIS (d+) 和NIS (d-) 的距离被计算出来,以对基因组进行排序,并确定优化的基因关联.

主要成果:

• MOOVARM有效地通过估计它们与PIS相对接近来对基因组进行排名.
• 规则是根据相对接近得分的预定义值最终确定的.
• 该框架评估的规则是基于所有基因的集体状态,而不是个别的基因.

结论:

• MOOVARM从多omics数据中生成对相关基因的优化关联规则的排名列表.
• 该框架在疾病分类方面表现出比现有的基因签名识别算法更高的性能.