اختيار الميزات وتصنيف أقرب مركز للإسناد لمطيافية الكتلة للبروتين

الملخص الخلفية إن استخدام مطيافية الكتلة كأداة للبروتيوميك يوشك أن يحدث ثورة في تشخيص الأمراض مبكراً وتحديد العلامات الحيوية. للأسف، قبل أن يمكن استخدام خوارزميات التصنيف المراقبة القياسية، يجب حل "لعنة الأبعاد". بسبب الكمية الهائلة من المعلومات الموجودة ضمن طيف الكتلة، لا يمكن تطبيق معظم تقنيات التعلم الآلي القياسية بشكل مباشر. بدلاً من ذلك، تُستخدم تقنيات اختيار الميزات أولاً لتقليل الأبعاد لمساحة الإدخال، وبالتالي تمكين الاستخدام اللاحق لخوارزميات التصنيف. تتناول هذه الورقة تقنيات اختيار الميزات لمطيافية الكتلة للبروتين. النتائج تختبر هذه الدراسة أداء مصنف أقرب مركز للإسناد بالتزامن مع خوارزميات اختيار الميزات التالية. تم استخدام اختبار t لطلاب، واختبار كولموغوروف-سميرنوف، واختبار P كإحصائيات أحادية المتغير لتصنيف الميزات المعتمد على الفلتر. من طرق التغليف التي اختبرناها، قمنا باختبار الاختيار الأمامي المتتابع وإصدار معدلاً من الاختيار الخلفي المتتابع. تضمنت الأساليب المدمجة خوارزمية أقرب مركز للإسناد المصغرة وإصدار مبتكر من اختيار الميزات المعتمد على التعزيز الذي طورناه. بالإضافة إلى ذلك، اختبرنا عدة طرق لتقليل الأبعاد، وهي تحليل المكونات الرئيسية وتحليل المكونات الرئيسية بالتزامن مع تحليل التمييز الخطي. لتقييم كل خوارزمية بشكل عادل، تم إجراء التقييم باستخدام التحقق المتقاطع المتباين مع حلقة التحقق المتقاطع الداخلية التي تعتمد على ترك هدف واحد للخوارزميات الاتوماتيكية لتحديد الميزات. كشفت التجارب الشاملة، التي أجريت على خمسة مجموعات بيانات شائعة للأورام، أن خوارزمية اختيار الميزات المدعومة الأقل شهرة والاختيار الأمامي المتتابع تنتج النتائج الأكثر اتساقًا عبر جميع مجموعات البيانات. بالمقابل، فإن الأداء المتطور المبلغ عنه على مجموعات بيانات معزولة للعديد من الخوارزميات المدروسة، لا ينطبق على جميع مجموعات البيانات. الخلاصة اختبرت هذه الدراسة عددًا من أساليب اختيار الميزات الشائعة باستخدام مصنف أقرب مركز للإسناد ووجدت أن عدة خوارزميات يُقال إنها على أعلى مستوى في الواقع تؤدي أداءً ضعيفًا عند اختبارها عبر التحقق المتقاطع المتباين. تقدم التناقضات المكتشفة دليلًا واضحًا على أن تقييم الخوارزميات يجب أن يتم على عدة مجموعات بيانات باستخدام إجراء تحقق متقاطع متسق (أي، غير عشوائي، متباين) لكي تكون الاستنتاجات ذات دلالة إحصائية.