返回
A Hybrid Ensemble Equilibrium Optimizer Gene Selection Algorithm for Microarray Data
DOI:10.3390/biomimetics10080523.png)
摘要
En 中文
随着现代医疗技术的进步,基因表达数据的应用已扩展到各个领域,尤其是在癌症诊断和预后监测方面。然而,基因表达数据通常具有高维性,且存在冗余和噪声信息过多的问题,这促使需要有效的策略来缓解维度灾难和过拟合等问题。本研究针对这一问题,提出了一种新颖的混合集成平衡优化器基因选择算法。在第一阶段,采用结合多种过滤器和基于基因相关性的方法进行混合处理,通过评估基因间的冗余与互补关系,选择具有最大信息含量的基因子集。在第二阶段,采用一种融合高斯骨架算法和新型基因剪枝策略的平衡优化器算法,在第一阶段筛选出的候选基因空间内进一步搜索最优基因子集。为验证所提出方法的优势,将其与九种特征选择技术在15个数据集上进行了比较。结果表明,第一阶段中的集成过滤方法表现出较强的稳定性,并能有效缩小基因选择算法的搜索空间。改进后的平衡优化器算法在提升预测精度的同时,显著减少了所选特征的数量。这些发现突显了所提出方法在基因选择中的有效性,是一种有价值的策略。
Keyword:
gene selection
feature reduction
equilibrium optimizer
gene expression data
cancer diagnosis
期刊
B
IF:
3.9
论文数:
3.3K
被引数:
5.1K
机构
暂无机构信息
引用论文
A comparison of DNA sequencing and gene expression profiling to assist tissue of origin diagnosis in cancer of unknown primaryDNA测序和基因表达谱的比较,以协助未知原发癌的起源组织诊断
JOURNAL OF PATHOLOGY
IF5.2
Normalized Mutual Information-based equilibrium optimizer with chaotic maps for wrapper-filter feature selection基于归一化互信息的具有混沌映射的均衡优化器,用于包装过滤器特征选择
A cofunctional grouping-based approach for non-redundant feature gene selection in unannotated single-cell RNA-seq analysis在未注释的单细胞rna-seq分析中基于协同功能分组的非冗余特征基因选择方法
A review of cancer data fusion methods based on deep learning基于深度学习的癌症数据融合方法综述
INFORMATION FUSION
IF15.5
Benchmark of filter methods for feature selection in high-dimensional gene expression survival data高维基因表达生存数据特征选择的滤波方法基准

