.png){kind=icon}
返回
A multi-objective optimization algorithm for gene selection and classification in cancer study
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112911.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，统计基因组学中的非临床诊断和预测建模受到了越来越多的关注，特别是在微阵列基因表达数据分析方面。使用微阵列数据的一个关键优势在于其能够同时分析数千个基因的表达水平。一个关键挑战仍然是如何高效地识别一小部分与特定组信使核糖核酸（mRNA）组织样本在统计学上相关的信息基因，并随后对研究结果进行有意义的生物学解释。本文介绍了一种两阶段混合多目标优化（MOO）算法，用于特征选择和将mRNA样本分类到其各自的组中。所提出的方法通过将基因选择表述为一个MOO问题，增强了支持向量机（SVMs）的分类性能。最初，采用基于t检验或F检验的过滤方法来消除在微阵列基因表达数据中普遍存在的噪声基因。随后，通过MOO方法对过滤方法选择的基因进行进一步优化，应用帕累托最优标准来识别一个最小且最优的基因子集。该方法的有效性通过模拟和已发布的高维微阵列数据集进行了评估，考虑了袋外（OOB）准确率、误分类误差率以及其他性能指标。结果表明，所提出的方法具有鲁棒性，能够在最小基因子集下实现高预测精度。此外，它在选择与生物响应类别强相关的少数基因生物标志物方面优于现有方法。
Keyword:
Feature selection
Multi-Objective optimization
Sequential process
Optimal gene subset microarray dataset
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
A Multiple-Filter-Multiple-Wrapper Approach to Gene Selection and Microarray Data Classification
PREAI
分享收藏Deep Learning-Based Prediction of Alzheimer's Disease Using Microarray Gene Expression Data.png)
BIOMEDICINES
OAAI
BIOMEDICINESIF3.9
OAAI分享收藏Efficient Data-Mining Algorithm for Predicting Heart Disease Based on an Angiographic Test基于血管造影检查的心脏病预测高效数据挖掘算法
OAAI
OAAI分享收藏Feature selection and allocation to diverse subsets for multi-label learning problems with large datasets特征选择与分配到多样化子集，用于大型数据集的多标签学习问题OAAI
OAAI分享收藏Molecular Classification of Cancer: Class Discovery and Class Prediction by Gene Expression MonitoringScience
ScienceIF0
PREAI
分享收藏Multiclass Response Feature Selection and Cancer Tumour Classification With Support Vector Machine多类响应特征选择与基于支持向量机的癌症肿瘤分类OAAI
OAAI分享收藏
查看更多内容