一个改进的二进制粒子群优化算法用于临床癌症生物标志物识别在微阵列数据中的微阵列数据

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:

• 微阵列数据在特征选择方面存在挑战,原因是高维度和有限的样本.
• 传统的进化算法在最佳特征集中扎,在实际的时间框架内在高维空间中搜索.

研究的目的:

• 开发一种新的混合特征选择方法,用于微阵列数据中的生物标记物识别.
• 为了解决现有方法在处理高维数据和少数样本方面的局限性.

主要方法:

• 一种混合特征选择方法 (C-IFBPFE) 结合聚类和改进的二进制粒子群集优化 (IFBPSO) 与嵌入式特征消除策略.
• 利用基于相关性聚类进行初始特征选的自适应冗余特征判断方法.
• 纳入了改进的基于反转概率的二进制粒子群集优化 (IFBPSO) 和一种新的特征消除 (FE) 策略.

主要成果:

• 与现有的混合方法相比,C-IFBPFE方法在八个公共数据集中表现出更高的性能.
• 实现了更高的准确性,减少了特征数量,提高了灵敏度和特异性.
• 废弃性研究证实了每个成分的有效性,特别是特征消除策略.

结论:

• 拟议的C-IFBPFE方法有效地处理高维微阵列数据,样本有限.
• 成功地选择最小的特征子集以获得高分类准确度,并识别与疾病表型相关的强大的生物标志物.