用于乳腺癌检测的RNA-Seq分析:使用混合优化和深度学习技术对配组织样本进行的研究
Abrar Yaqoob1, Navneet Kumar Verma2, Rabia Musheer Aziz3
1School of Advanced Science and Language, VIT Bhopal University, Kothrikalan, Sehore, Bhopal, 466114, India. abraryaqoob77@gmail.com.
Journal of cancer research and clinical oncology
|October 10, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用RNA-Seq数据准确检测乳腺癌. 混合的哈里斯优化 (HHO) 和优化 (WO) 方法实现了99%的准确性,优于其他早期检测方法.
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:
- 乳腺癌是一个重大的全球健康挑战,死亡率很高.
- 由于基因表达数据的复杂性和高维度,早期检测受到阻碍.
- 准确的乳腺癌分类对于有效的治疗和改善患者的治疗结果至关重要.
研究的目的:
- 开发一种先进的深度学习模型,使用RNA-Seq基因表达数据准确检测乳腺癌.
- 解决基因表达数据集固有的高维度和复杂性的挑战.
- 通过一种新的混合优化方法来增强特征选择和分类准确性.
主要方法:
- 开发了一种混合基因选择方法,将哈里斯优化 (HHO) 和鱼优化 (WO) 与深度学习相结合.
- 模型的性能与传统的优化算法进行了评估:遗传算法 (GA),人工蜂群 (ABC),古古搜索 (CS) 和粒子群优化 (PSO).
- 利用来自66个正常和癌症乳腺组织样本的RNA-Seq数据.
主要成果:
- 拟议的混合HHO-WO深度学习模型实现了99.0%的平均分类精度.
- 该模型在乳腺癌检测中始终优于GA,ABC,CS和PSO方法.
- 该数据集包括55名女性乳腺癌患者在不同阶段和年龄相匹配的健康对照中的样本.
结论:
- 使用HHO和WO与深度学习的混合基因选择方法是乳腺癌检测的高度准确的工具.
- 这种先进的方法在改善早期检测率方面显著有前途.
- 这些发现可以为个性化治疗策略和更好的患者结果铺平道路.
