基于限制的多目标优化时间网络可观察性,用于识别个体患者的生物标志物.

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 个性化基因相互作用网络对于疾病诊断至关重要.
• 现有的生物标志物识别方法往往忽视了先前的生物标志物和系统可观测性.

研究的目的:

• 为确定生物标志物提出一种新的受约束的基于多目标优化的时间网络可观测模型 (CMTNO).
• 通过结合先前的生物标志物和确保网络可观测性来解决现有方法的局限性.

主要方法:

• 开发了一个受约束的多目标优化模型 (CMTNO) 的两个目标:最小化选定的节点和最大化先前的节点,同时确保网络可观测性.
• 设计了一个基于经验学习的受约束的多目标进化算法来解决CMTNO问题,并结合了以前任务的经验.
• 利用基于邻居的两步连接方法来提高档案的有效性.

主要成果:

• 拟议的CMTNO模型和算法在三种类型的癌症患者数据上进行了评估.
• 结果表明,该模型和算法在识别相关生物标志物的有效性.
• 经验学习组件提高了新患者的优化效率.

结论:

• CMTNO模型提供了一种有效的方法,用于从个性化的基因网络中发现生物标志物.
• 网络可观测性和先前生物标志物的整合增强了诊断潜力.
• 开发的进化算法显示出对复杂的生物网络优化问题的承诺.