优化基因选择和癌症分类与混合Sine Cosine和Cuckoo搜索算法

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:

• 由于冗余性,高维基因表达数据在识别重要基因方面存在挑战.
• 有效特征选择 (FS) 方法对于准确的生物数据分析至关重要.
• 现有的FS技术需要提高复杂的生物数据集的有效性和精度.

研究的目的:

• 引入一种新的混合基因选择方法,即Sine Cosine和Cuckoo搜索算法 (SCACSA).
• 提高生物数据集中的基因选择的准确性和效率,特别是用于癌症分类.
• 将SCACSA与支持矢量机 (SVM) 集成,以提高分类性能.

主要方法:

• 一种混合方法,将Sine Cosine算法和Cuckoo搜索算法 (SCACSA) 结合起来进行基因选择.
• 使用最小冗余最大相关性 (mRMR) 作为初始过策略来改进功能集.
• 采用支持矢量机 (SVM) 分类器用于基于所选基因的数据集分类.

主要成果:

• 该SCACSA方法证明了复杂的生物数据的有效基因选择.
• 对乳腺癌数据集的性能评估显示,SCACSA与其他FS方法相比具有优越性.
• 混合方法提高了所选特征集的质量,从而提高了分类准确性.

结论:

• SCACSA是基因选择和癌症数据集分类的宝贵工具.
• 拟议的方法有助于在复杂的生物数据集中识别重要的基因.
• 这些发现支持医疗从业人员在使用基因表达数据进行癌症诊断时进行知情决策.