鉴定和分离具有改进的循环神经网络的基因,训练有最佳基因水平和突变水平的特征
Irfan Rashid Pukhta1, Ranjeet Kumar Rout1
1Assistant Professor, Department of Computer Science and Engineering National Institute of Technology, Srinagar, Jammu and Kashmir 190006, India.
概括
这项研究引入了一种新的模型,通过整合基因组因素和使用先进的机器学习技术来识别癌症驱动基因. 这种新的方法提高了基因分类的准确性,解决了突变异质性的挑战.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 癌症的突变异质性对驱动基因鉴定提出了挑战.
- 现有的方法很难将各种基因组因素整合到综合分析中.
研究的目的:
- 提出一种新的基因识别和分离模型,以改善驱动基因发现.
- 通过整合基因组数据和先进的计算方法来解决当前方法的局限性.
主要方法:
- 一个五阶段的过程:预处理,类失衡处理 (K-Means+SMOTE),特征提取,特征选择 (FIHFSO) 和分类 (改进的循环神经网络 - I-RNN).
- 数据清理和规范化,以提高数据质量.
- 使用法医解释量身定制的饥饿食物搜索优化 (FIHFSO) 优化了功能选择.
主要成果:
- 拟议的模型在90%的学习率下实现了0.98%的高精度.
- 与其他方法 (如HGS,FBIO,AOA,AO,GOA和PRO) 相比,表现出卓越的性能.
- 成功解决了癌症突变数据中固有的阶级不平衡问题.
结论:
- 新型基因识别和分离模型为发现癌症驱动基因提供了强大的解决方案.
- 集成I-RNN和FIHFSO等先进技术显著提高了分类准确性.
- 这项研究为推进癌症基因组学研究和个性化医学提供了宝贵的工具.
