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
概括
这项研究引入了一种使用多目标函数和改进的遗传算法 (ICDNSGA) 的新计算方法,以更准确地预测循环RNA (circRNA) 和疾病关联. 该方法增强了对各种疾病的生物标志物发现.
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.
