ICDNSGA:根据改进的非主导排序遗传算法识别潜在的circRNA疾病关联

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 循环RNAs (circRNAs) 在疾病发作期间表现变化,表明它们作为疾病生物标志物的潜力.
• 目前用于circRNA疾病关联预测的人工智能方法通常使用单个目标函数,限制准确性.
• 需要针对针对circRNA-疾病关联预测的多目标优化策略.

研究的目的:

• 开发和评估一种新的计算方法,用于预测circRNA与疾病的关联.
• 通过多目标优化,提高circRNA疾病关联预测的准确性.
• 为此目的引入一个改进的非主导排序遗传算法 (ICDNSGA).

主要方法:

• 使用矩阵分解和网络社区特征构建一个解决方案空间.
• 为circRNA疾病关联预测设计了四个不同的目标功能.
• 优化这些目标使用增强的多目标非主导排序遗传算法 (ICDNSGA) 与自适应规范化.

主要成果:

• 与纯矩阵分解,标准非主导排序遗传算法和其他机器学习技术相比,ICDNSGA表现出优异的预测性能.
• 算法的自适应性规范化策略改善了融合和解决方案多样性.
• 预测的circRNA疾病关联通过现有的研究和生物分析得到了验证.

结论:

• 拟议的ICDNSGA方法在预测circRNA与疾病的关联方面取得了重大进展.
• 这种方法有可能成为指导生物医学研究和实验的宝贵工具.
• 准确的circRNA疾病关联预测可以帮助识别各种疾病的新生物标志物.