关于QDE-SVM用于基因特征选择和从scRNA-seq数据中细胞类型分类的使用
Grace Yee Lin Ng1, Shing Chiang Tan1, Chia Sui Ong1
1Faculty of Information Science and Technology, Multimedia University, Bukit Beruang, Melaka, Malaysia.
PloS one
|October 19, 2023
概括
这项研究引入了一种新的量子灵感差异进化 (QDE) 方法,用于单细胞RNA测序 (scRNA-seq) 数据中的基因选择. 与现有方法相比,QDE-Support Vector Machine (SVM) 方法显著提高了细胞类型识别的准确性.
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:
- 单细胞RNA测序 (scRNA-seq) 对于细胞类型识别至关重要,但技术变异使分析复杂化.
- 基因选择 (特征选择) 对于识别scRNA-seq数据中的信息基因至关重要.
- 现有的scRNA-seq基因选择主要使用过器和嵌入式方法;包装方法未得到充分利用,通常是基于集群的.
研究的目的:
- 探索一种基于分类的包装方法,用于scRNA-seq基因选择.
- 引入量子启发的微分进化 (QDE) 算法,并为此任务使用机器学习分类器.
主要方法:
- 一个量子启发的微分进化 (QDE) 算法被开发出来,并被各种机器学习 (ML) 分类器包裹起来.
- 在12个scRNA-seq数据集上测试了QDE-ML方法,用于细胞类型识别.
- 与QDE (QDE-SVM) 包裹的线性支向量机 (SVM) 分类器是根据实验结果选择的.
主要成果:
- 与其他QDE-ML组合相比,QDE-SVM在细胞类型分类方面表现优越.
- QDE-SVM的性能优于现有的包装方式 (FSCAM,SSD-LAHC,MA-HS,BSF).
- QDE-SVM实现了0.9559的高平均精度,明显高于其他方法的0.8292-0.8872范围.
结论:
- 基于分类的包装方法,如QDE-SVM,对于scRNA-seq基因选择是有效的.
- 在scRNA-seq研究中,QDE-SVM方法为准确的细胞类型识别提供了有希望的进步.
- 这种方法解决了复杂的转录基因数据分析中对强大的基因选择的需求.
