Diskriminative Biomarker-Auswahl mit hybrider Multi-Populations-evolutionärer Berechnung

Der rapide Fortschritt der Desoxyribonukleinsäure (DNA)-Sequenzierungstechnologie hat verstärkt Beachtung gefunden, insbesondere bei der Interpretation hochdimensionaler, kleinproben-größen Mikroarray-Daten zur Krankheitsidentifizierung. Traditionelle Verfahren zur Gen-Auswahl haben Schwierigkeiten, optimale Biomarker-Subsets aus Gen-Daten in einer angemessenen Zeit zu identifizieren. Um dies zu adressieren, schlagen wir eine neuartige hybride Methode zur robusten Krebs-Klassifikation und Biomarker-Entdeckung vor. Um die Dimensionalität der Gen-Daten zu reduzieren und biologisch sinnvolle Muster zu bewahren, wird in der ersten Phase unseres Ansatzes die Kernel-Hauptkomponenten-Analyse (KPCA) eingesetzt. Die verfeinerten Gen-Subsets werden dann mit dem Multi-Populations-Gravitations-Suchalgorithmus (GSA), bekannt als MPKGSA, mit opposition-basierter Lernmethodik (OBL) verarbeitet. Der Hybridisierungsmechanismus beinhaltet die Verwendung von OBL zur Generierung einer Reihe gegenüberliegender Lösungen für jede Population, die dann in den GSA-Aktualisierungsprozess integriert werden. Dieser Prozess bietet eine vielfältigere Erkundung des Suchraums und verhindert eine vorzeitige Konvergenz auf suboptimale Gen-Subsets. Die Effektivität von MPKGSA wurde an sechs Mikroarray-Krebsdatensätzen und einem Brustkrebs-Einzel-Nukleotid-Polymorphismus (SNP)-Datensatz vom National Center for Biotechnology Information (NCBI) Gene Expression Omnibus (GEO) bewertet. Numerische Ergebnisse zeigen, dass MPKGSA exzellent darin ist, Konvergenz und Diversität auszubalancieren, hohe Vorhersagegenauigkeit mit minimalen Biomarker-Subsets zu erreichen. Darüber hinaus übertraf es vorhandene meta-heuristische Methoden, indem es eine kleine Anzahl von Gen-Biomarkern auswählte, die stark mit der biologischen Reaktionsklasse korreliert sind, und bestätigte dessen Anwendbarkeit für präzise Krebsidentifizierung und -klassifikation.