深度神经网络与基于机器学习的亨廷顿病分类器之间的性能比较 基于人类DNA序列的亨廷顿病预测

科学领域:

• 遗传学 是一个遗传学.
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 亨廷顿病 (HD) 是一种神经退行性疾病,影响精神,运动和睡眠功能.
• 早期发现HD对于及时干预和管理至关重要.
• 深度学习 (DL) 为开发先进的诊断工具提供了潜力.

研究的目的:

• 开发和评估一个深度神经网络 (DNN) 模型,从人类DNA序列中预测亨廷顿病 (HD).
• 评估DNN和其他机器学习分类器在识别HD遗传标记的有效性.

主要方法:

• 人类DNA序列从NCBI获得,并补充了合成数据.
• 用混沌游戏表示 (CGR) 数字转换DNA序列.
• 提取了特征,包括统计测量和核酸计数 (腺素,胆氨酸,关氨酸,细胞氨酸).
• 提取的特征被用来训练DNN,神经网络 (NN),支持向量机 (SVM),随机森林 (RF) 和前修剪 (CTWFP) 模型的分类树.

主要成果:

• DNN,NN,SVM和RF模型在预测HD时实现了100%的准确性.
• 具有前修剪的分类树 (CTWFP) 模型显示了87%的准确性.
• 使用准确度,灵敏度,特异性,精度,F1分数和MCC来评估性能.

结论:

• 深度神经网络 (DNN) 模型显示,通过DNA序列分析,对亨廷顿病 (HD) 的准确和早期检测具有很高的潜力.
• 机器学习方法,特别是DNN,NN,SVM和RF,为识别对HD的遗传倾向提供了强大的解决方案.
• 该研究强调了CGR和特征提取在准备DNA数据以用于基于机器学习的疾病预测方面的有效性.