一种新的人工智能方法来检测乳腺癌,使用KNNet技术与EPM基因分析
Shubham Joshi1, N V S Natteshan2, Ravi Rastogi3
1Department of Computer Science Engineering, Symbiosis Institute of Technology, Symbiosis International (Deemed) University, Pune, India.
Functional & integrative genomics
|September 18, 2023
概括
这项研究引入了一种用于乳腺癌研究的新型基因选择模型,提高了识别遗传生物标志物的准确性. 具有表达编程的Kohonen神经网络为癌症基因组学提供了更有效的方法.
科学领域:
- 基因组学和表观遗传学
- 癌症生物学 癌症生物学
- 生物信息学是一种生物信息学.
背景情况:
- 乳腺癌是女性的主要癌症,通常是由基因组和表观遗传改变驱动的.
- 目前的治疗主要是治疗症状,而不是潜在的DNA突变.
- 确定特定的瘤基因基因组标对于推进癌症疗法至关重要.
研究的目的:
- 开发和验证一种用于识别乳腺癌生物标志物的新型基因选择模型.
- 系统地减少遗传选择中的特征数量,同时保持高精度.
- 将拟议模型的性能与现有的遗传选择算法进行比较.
主要方法:
- 用于基因选择的Kohonen神经网络与表达编程模型 (KNNet-EPM) 的开发.
- 使用聚类短时间palindromic重复 (CRISPR) 或Cas9来识别基因组目标.
- 系统性特征减少技术被应用来增强遗传选择.
主要成果:
- 该KNNet-EPM模型实现了高性能指标:98%的准确性,93%的灵敏性,92%的特异性和88%的F1得分.
- 该模型与量子松鼠启发的算法和反复神经网络对立呼叫搜索算法相比,表现出了更高的性能.
- 关键绩效指标包括42%的RAE和30%的MAE,以及83%的kappa得分.
结论:
- 该KNNet-EPM模型有效地使用表达编程方法识别乳腺癌的基因生物标志物.
- 这种方法为乳腺癌研究的基因组目标发现和选择提供了显著的进步.
- 该模型的高精度和效率表明它有潜力改善诊断和治疗策略.
