基因选择和瘤识别基于多过器嵌入式递归山算法的混合体
Sarah Osama1, Moatez Ali2, Abdelmgeid A Ali1
1Computer Science Department, Faculty of Computers and Information, Minia University, Minia, Egypt.
Computers in biology and medicine
|November 17, 2023
概括
这项研究引入了新的混合基因选择方法,MUL-MGO和MUL-RMGO,以从高维微阵列数据中改进癌症分类. 这些方法有效地减少基因数量,同时提高精度,优于现有技术.
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
- 癌症基因组学 癌症基因组学
背景情况:
- 高维微阵列基因表达数据在癌症结果识别和瘤分类方面存在挑战.
- 现有的混合基因选择方法需要提高效率和可靠性,以提取有意义的信息.
研究的目的:
- 提出和评估新的混合基因选择方法,MUL-MGO和MUL-RMGO,以改进癌症分类.
- 引入山地优化器 (MGO) 和其递归变体 (RMGO) 用于基因表达分析中的特征选择.
主要方法:
- 开发了MUL-MGO,使用两个过器和一种嵌入式方法与MGO算法进行基因选择.
- 引入RMGO以递归优化MGO,最大限度地减少搜索空间和基因数量.
- 开发了MUL-RMGO,一种利用过器,嵌入式方法和RMGO算法的混合方法.
- 通过使用各种癌症分类分类器对八个微阵列基因表达数据集进行评估方法.
主要成果:
- 在基因选择方面,MUL-MGO和MUL-RMGO都表现出了效率和生产力.
- 提出的方法在癌症分类方面超过了当前最先进的技术.
- 在分类准确性和减少基因数量方面,MUL-RMGO表现优于MUL-MGO.
结论:
- MUL-MGO和MUL-RMGO方法是有效的基因选择从微阵列数据的癌症分类.
- 在RMGO中的递归优化提高了基因选择的性能和效率.
- 这些新的方法为分析复杂的基因组数据提供了有希望的方向.
