一个全面的评估框架,用于基准测试多目标特征选择在基于Omics的生物标志物发现
IEEE/ACM transactions on computational biology and bioinformatics
|October 14, 2024
概括
这项研究利用机器学习优化了基因表达生物标志物用于癌症亚型分类. 遗传算法以最小的特征实现了高精度,改善了临床工具的开发.
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:
- 机器学习 (ML) 用于通过基因表达生物标志物进行癌症亚型分类.
- 目前的生物标志物模型缺乏可重现性和最佳特征集大小,阻碍了临床转化.
研究的目的:
- 为解决优化生物标志物分类性能和特征集大小的多目标问题.
- 评估可复制和成本效益高的癌症生物标志物的ML驱动的特征子集选择算法.
主要方法:
- 将七个ML特征子集选择算法应用于八个大规模癌症转录组数据集.
- 利用了一个包括培训和外部验证集的基准,以准确性,多样性和基因稳定性为指标.
- 为交叉验证研究提出了一个新的评估指标,将超量概括为交叉验证研究.
主要成果:
- 在使用4,2和7个特征的乳腺,脏和卵巢癌外部数据集中,分别获得了0.8平衡精度的生物标志物.
- 遗传算法通常表现优于其他方法.
- 在大多数情况下,NSGA2-CH和NSGA2-CHS表现出优越的性能.
结论:
- 优化的基因表达生物标志物可以在最小的特征下实现高精度,从而提高临床效用.
- 基因算法,特别是NSGA2-CH和NSGA2-CHS,对于开发可复制的癌症生物标志物是有效的.
- 拟议的评估指标有助于在交叉验证中评估多目标优化性能.
更多相关视频
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
8.9K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
