SaPt-CNN-LSTM-AR-EA:一种混合集体学习框架,用于基于时间序列的多变量DNA序列预测

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
• 机器学习 机器学习

背景情况:

• 生物序列数据挖掘是生物信息学中的一个关键领域.
• 生物序列在表达和机制上与时间序列数据有相似之处.
• 现有的方法可能无法完全捕捉生物序列数据的复杂性.

研究的目的:

• 为生物时间序列 (BTS) 提出一种新的混合集体学习框架.
• 以时间序列来表示生物序列,以便进行增强的分析.
• 为了提高生物序列数据挖掘的预测性能和稳定性.

主要方法:

• 开发一个名为SaPt-CNN-LSTM-AR-EA的混合组合学习框架.
• 使用自适应预训练的一维卷积循环神经网络和自回归分数集成移动平均线融合进化算法的单序和多序模型的构建.
• 该框架应用于涉及六种病毒的DNA序列实验.

主要成果:

• 萨普特-CNN-LSTM-AR-EA框架实现了良好的整体预测性能.
• 在DNA序列实验中,预测准确度达到1.7073,相关性达到0.9186.
• 与五个基准模型相比,该框架表现出更高的有效性和稳定性,平均精度增加了约30%.

结论:

• 拟议的SaPt-CNN-LSTM-AR-EA框架在生物序列数据挖掘方面取得了重大进展.
• 用时间序列来表示生物序列的方法对于预测是有效的.
• 该框架在生物学,生物医学,计算机科学,序列拼接,计算生物学和生物信息等领域具有广泛的应用.