增强的白血病预测使用混合殖民地和狮子优化用于基因选择和分类

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
• 机器学习 机器学习

背景情况:

• 基因选择对于微阵列数据预处理至关重要,旨在识别关键基因以改善分类和降低成本.
• 遗传算法 (GA) 和最大相关性最小冗余 (MRMR) 等传统方法是常见的,但生物灵感算法提供了新的可能性.
• 殖民地优化 (ACO) 和狮子优化器 (ALO) 是有前途的,但单独使用时面临着过早融合等挑战.

研究的目的:

• 引入混合ACO-ALO方法,将两种算法的优势结合起来,以增强基因选择.
• 为了提高分类准确性,减少计算复杂性,并提高生物信息学应用中的分类器性能.
• 为了解决个别 ACO 和 ALO 算法在特征选择中的局限性.

主要方法:

• 结合殖民地优化 (ACO) 和狮子优化器 (ALO) 的混合方法被开发出来.
• 混合模型用于微阵列数据分析中的基因选择.
• 使用支持矢量机 (SVM) 来分类所选的最佳特征集.

主要成果:

• 混合ACO-ALO方法在白血病预测方面实现了93.94%的预测准确度.
• 与微阵列数据集的传统方法相比,提出的方法显示出更高的有效性和效率.
• 混合模型成功增强了功能选择,分类器性能,并降低了计算负载.

结论:

• 混合优化技术显示出在生物信息学中推进基因选择的巨大潜力.
• 开发的混合ACO-ALO方法通过改进的基因选择为准确的癌症诊断提供了强大的解决方案.
• 这项工作强调了集群智能算法用于复杂的生物数据分析的好处.