عنوان فارسی مقاله:بهینه‌ساز روباه قرمز با مدل طبقه‌بندی بیان ژن ریزآرایه‌ای مبتنی بر علوم داده

چکیده

بررسی داده‌های ریزآرایه یک فناوری نسبتاً جدید است که هدف آن تجزیه و تحلیل تعداد زیادی از ژن‌ها در شرایط مختلف تجربی برای تعیین درمان مناسب برای بیماری‌های مختلف و تشخیص پزشکی دقیق است. تکنیک‌های طبقه بندی داده‌های مرسوم از بیش برازش و ابعاد بالای داده‌های بیان ژن رنج می‌برند. بنابراین، رویکرد انتخاب ویژگی (ژن) نقش حیاتی در مدیریت ابعاد بالایی از داده‌ها ایفا می‌کند. مفاهیم علم داده را می‌توان به طور گسترده در چندین مسئله طبقه بندی داده به کار برد و برچسب‌های کلاس‌های مختلفی را شناسایی می‌کند. در این جنبه، ما یک بهینه‌ساز جدید روباه قرمز با مدل طبقه‌بندی بیان ژن ریزآرایه‌ای با قابلیت یادگیری عمیق (RFODL-MGEC) توسعه دادیم. هدف مدل ارائه شده RFODL-MGEC بهبود عملکرد طبقه بندی با انتخاب ویژگی‌های مناسب است. مدل RFODL-MGEC از رویکرد انتخاب ویژگی مبتنی بر بهینه‌ساز روباه قرمز جدید (RFO) برای استخراج زیرمجموعه بهینه از ویژگی‌ها استفاده می‌کند. علاوه بر این، مدل RFODL-MGEC شامل یک شبکه عصبی عمیق آبشاری دو طرفه (BCDNN) برای طبقه‌بندی داده‌ها است. پارامترهای درگیر در تکنیک BCDNN با استفاده از الگوریتم بهینه‌سازی بازی آشوب (CGO) تنظیم شدند. آزمایش‌های جامع روی مجموعه داده‌های معیار نشان داد که مدل RFODL-MGEC نتایج برتر را برای طبقه‌بندی‌های زیرگروه به دست آورد. بنابراین، مدل RFODL-MGEC برای شناسایی کلاس‌های مختلف برای داده‌های ریزآرایه‌ای با ابعاد بالا و مقیاس کوچک مؤثر بود.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Red Fox Optimizer with Data-Science-Enabled Microarray Gene Expression Classification Model

Abstract

Microarray data examination is a relatively new technology that intends to determine the proper treatment for various diseases and a precise medical diagnosis by analyzing a massive number of genes in various experimental conditions. The conventional data classification techniques suffer from overfitting and the high dimensionality of gene expression data. Therefore, the feature (gene) selection approach plays a vital role in handling a high dimensionality of data. Data science concepts can be widely employed in several data classification problems, and they identify different class labels. In this aspect, we developed a novel red fox optimizer with deep-learning-enabled microarray gene expression classification (RFODL-MGEC) model. The presented RFODL-MGEC model aims to improve classification performance by selecting appropriate features. The RFODL-MGEC model uses a novel red fox optimizer (RFO)-based feature selection approach for deriving an optimal subset of features. Moreover, the RFODL-MGEC model involves a bidirectional cascaded deep neural network (BCDNN) for data classification. The parameters involved in the BCDNN technique were tuned using the chaos game optimization (CGO) algorithm. Comprehensive experiments on benchmark datasets indicated that the RFODL-MGEC model accomplished superior results for subtype classifications. Therefore, the RFODL-MGEC model was found to be effective for the identification of various classes for high-dimensional and small-scale microarray data.