金优化了CONV-LSTM和非负性受约束的自编码器,以支持癌症药物反应预测中的空间和时间特征
Wesam Ibrahim Hajim1,2, Suhaila Zainudin2, Kauthar Mohd Daud2
1Department of Applied Geology, College of Sciences, University of Tikrit, Tikrit, Salah ad Din, Iraq.
PeerJ. Computer science
|February 3, 2025
概括
这项研究引入了一种新的非负性受限制的自动编码器 (NNCAE) 和基于金优化的卷积长期短期记忆 (GEO-Conv-LSTM) 网络,用于药物反应预测. 该方法有效地处理杂,不平衡的数据,在预测药物疗效方面达到高准确度.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 机器学习在药物发现中的作用
背景情况:
- 药物反应预测 (DRP) 使用机器学习 (ML) 和深度学习 (DL) 与基因组数据.
- DL模型在特征学习方面表现出色,但由于杂的多维数据集,它们往往忽略了先前的生物知识 (例如路径数据).
- DRP数据集中的噪音和类不平衡降低了准确性,增加了预测时间,并限制了适用性.
研究的目的:
- 解决DRP数据集中的噪音和类失衡问题.
- 增强特征学习和提取,以改善药物反应预测.
- 为DRP开发一个强大的混合深度学习模型.
主要方法:
- 应用非阴性限制自动编码器 (NNCAE) 降低噪声和类平衡.
- 将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 集成到混合分类器中.
- 使用金优化 (GEO) 算法对 GEO-Conv-LSTM 模型进行参数优化.
主要成果:
- 在两个大型GDSC数据集上,NNCAE-GEO-Conv-LSTM方法实现了96.99%和97.79%的高预测准确率.
- 与现有方法相比,显著减少了处理时间和错误率.
- 成功地从预处理,平衡和消除噪音的数据中学习了重要的隐藏特征.
结论:
- 拟议的NNCAE-GEO-Conv-LSTM模型为药物反应预测提供了强大而高效的解决方案.
- 有效处理数据挑战 (噪音,失衡) 对于准确的DRP至关重要.
- 这种混合深度学习方法显示了通过准确的药物疗效预测来推进个性化医学的巨大前景.
