الگوریتم جدید برای تشخیص ژن بیومارکر سرطان با استفاده از بهینه‌سازی شاهین هریس

عنوان فارسی مقاله:الگوریتم جدید برای تشخیص ژن بیومارکر سرطان با استفاده از بهینه‌سازی شاهین هریس

چکیده

این مقاله دو الگوریتم جدید هوش ازدحامی را برای انتخاب ژن، HHO-SVM و HHO-KNN ارائه می‌کند. هر دوی این الگوریتم‌ها بر اساس بهینه‌سازی شاهین هریس (HHO) یکی در ارتباط با ماشین‌های بردار پشتیبان (SVM) و دیگری در ارتباط با k-نزدیک‌ترین همسایه (k-NN) هستند. در هر دو الگوریتم، هدف تعیین یک زیرمجموعه ژنی کوچک است که می تواند برای طبقه بندی نمونه ها با درجه دقت بالایی استفاده شود. الگوریتم های پیشنهادی به دو مرحله تقسیم می شوند. برای به دست آوردن یک مجموعه ژن دقیق و برای مقابله با چالش داده های با ابعاد بالا، تجزیه و تحلیل افزونگی و محاسبه ارتباط در مرحله اول انجام می شود. برای حل مشکل انتخاب ژن، فاز دوم SVM و k-NN را با اعتبارسنجی متقاطع ترک یک‌اوت اعمال می‌کند. ارزیابی عملکرد بر روی شش مجموعه داده ریزآرایه با استفاده از دو الگوریتم پیشنهادی انجام شد. مقایسه دو الگوریتم پیشنهادی با چندین الگوریتم شناخته شده نشان می‌دهد که هر دوی آن‌ها از نظر دقت طبقه‌بندی و تعداد ژن‌های انتخابی بسیار خوب عمل می‌کنند.

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: A New Algorithm for Cancer Biomarker Gene Detection Using Harris Hawks Optimization

Abstract

This paper presents two novel swarm intelligence algorithms for gene selection, HHO-SVM and HHO-KNN. Both of these algorithms are based on Harris Hawks Optimization (HHO), one in conjunction with support vector machines (SVM) and the other in conjunction with k-nearest neighbors (k-NN). In both algorithms, the goal is to determine a small gene subset that can be used to classify samples with a high degree of accuracy. The proposed algorithms are divided into two phases. To obtain an accurate gene set and to deal with the challenge of high-dimensional data, the redundancy analysis and relevance calculation are conducted in the first phase. To solve the gene selection problem, the second phase applies SVM and k-NN with leave-one-out crossvalidation. A performance evaluation was performed on six microarray data sets using the two proposed algorithms. A comparison of the two proposed algorithms with several known algorithms indicates that both of them perform quite well in terms of classification accuracy and the number of selected genes.