nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Potenzielle Rolle der naturinspirierten Algorithmen zur Klassifizierung von hochdimensionalen und komplexen Genexpressionsdaten

verfasst von : Sahar Qazi, Ayesha Khanam, Khalid Raza

Erschienen in: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die Genexpression hat Forschern in vielerlei Hinsicht geholfen – von der Identifizierung neuer Biomarker bis zur Klassifizierung verschiedener Unterarten und Stadien der Krankheit, von der Korrektur epigenetischer Netzwerkverbindungen in Krankheiten bis zur Untersuchung von Signaturmustern und Motiven, die in den Datensätzen vorhanden sind. Sie ist jedoch auch bekannt für ihre hohe Dimensionalität und schwierige Interpretation, was ein zeitaufwendiger Prozess ist. Die Normalisierung und Vorverarbeitung von Genexpressionsdaten ist nicht einfach, da es sich um gigantische Daten handelt. Daher scheitern viele rechnergestützte Algorithmen in der Regel, wenn es darum geht, die hochdimensionalen Genexpressionsdaten zu optimieren. Naturinspirierte/bioinspirierte Algorithmen sind seit dem letzten Jahrzehnt das Gesprächsthema in der Rechenwelt aufgrund ihrer robusten und effektiven Lösungen für Probleme wie der hohen Dimensionalität und Zeitkomplexität. Studien legen nahe, dass diese naturinspirierten Algorithmen ein besseres Potenzial haben, komplexe Probleme mit einem größeren Suchraum zu bewältigen. Dieses Kapitel bietet eine detaillierte Beschreibung von naturinspirierten Algorithmen, die hochdimensionale und komplexe Genexpressionsdaten bewältigen können und so bei der besseren Klassifizierung von Krankheiten helfen.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Fortschritte bei der genomischen Profilerstellung von Darmkrebs mit naturinspirierten Rechentechniken

Nächstes Kapitel Optimierte naturinspirierte Rechenalgorithmen zur Erkennung von Lungenerkrankungen

Agarwal P, Mehta S (2014) Nature-inspired algorithms: state-of-art, problems and prospects. Int J Comput Appl 100(14):14–21

Alshamlan HM (2018) Co-ABC: Correlation artificial bee colony algorithm for biomarker gene discovery using gene expression profile. Saudi J Biol Sci 25(5):895–903. https://doi.org/10.1016/j.sjbs.2017.12.012CrossRef

Alshamlan HM, Badr GH, Alohali YA (2016) ABC-SVM: artificial bee colony and SVM method for microarray gene selection and multi class cancer classification. Int J Mach Learn Comput 6(3):184–190. https://doi.org/10.18178/ijmlc.2016.6.3.596

Alshamlan H, Badr G, Alohali Y (2015) mRMR-ABC: a hybrid gene selection algorithm for cancer classification using microarray gene expression profiling. Biomed Res Int 2015:1–15. https://doi.org/10.1155/2015/604910CrossRef

Alzaqebah M, Briki K, Alrefai N, Brini S, Jawarneh S, Alsmadi MK, Mohammad RMA, ALmarashdeh I, Alghamdi FA, Aldhafferi N, Alqahtani A (2021) Memory based cuckoo search algorithm for feature selection of gene expression dataset. Inf Med Unlocked 24:100572

Bhat FH (2017) Evaluating SVM algorithms for bioinformatics gene expression analysis. Retrieved 23 Mar 2022, from http://www.ijcse.net/docs/IJCSE17-06-02-023.pdf

Bonabeau E, Theraulaz G, Dorigo M, Theraulaz G, Marco DDRDF (1999) Swarm intelligence: from natural to artificial systems (No. 1). Oxford University Press

Breiman L (2001) Random forests. Mach Learn 45(1):5–32. https://doi.org/10.1023/a:1010933404324CrossRefMATH

Darwish A (2018) Bio-inspired computing: algorithms review, deep analysis, and the scope of applications. Future Comput Inform J 3(2):231–246MathSciNetCrossRef

Das P, Roychowdhury A, Das S, Roychoudhury S, Tripathy S (2020) sigFeature: novel significant feature selection method for classification of gene expression data using support vector machine and t statistic. Front Genet 11. https://doi.org/10.3389/fgene.2020.00247

Davies GH (1970) The life of birds, parenthood. www.pbs.org/lifeofbirds/home/ index.html

Deb K, Pratap A, Agarwal S, Meyarivan TAMT (2002) A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput 6(2):182–197CrossRef

Díaz-Uriarte R, Alvarez de Andrés S (2006) Gene selection and classification of microarray data using random forest. BMC Bioinform 7(1). https://doi.org/10.1186/1471-2105-7-3

Freund Y, Schapire RE (1996) Experiments with a new boosting algorithm. In: International conference on machine learning, Bari, 3–6 July 1996, 148–156. http://dl.acm.org/citation.cfm?id=3091696.3091715

He Y, Hui SC (2009) Exploring ant-based algorithms for gene expression data analysis. Artif Intell Med 47(2):105–119CrossRef

Karaboga D (2005) An idea based on honey bee swarm for numerical optimization. Technical Erciyes University, Engineering Faculty, Computer Engineering Department, Tech. Rep. 1–10. http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=F362BB83638092677F80C098EDD725D5?doi=10.1.1.714.4934&rep=rep1&type=pdf

Kaveh A, Bakhshpoori T, Ashoory M (2012) An efficient optimization procedure based on cuckoo search algorithm for practical design of steel structures 2(1):1–14

Li J, Su H, Chen H, Futscher BW (2007) Optimal search-based gene subset selection for gene array cancer classification. IEEE Trans Inf Technol Biomed 11(4):398–405CrossRef

Mei Z, Shen Q, Ye B (2009) Hybridized KNN and SVM for gene expression data classification. Life Sci J 6(1):61–66. http://www.lifesciencesite.com/lsj/life0601/12_life0601_61_66_Hybridized.pdf

Molga M, Smutnicki C (2005) Test functions for optimization needs. Test Funct Optim Needs 101:48

Moosa JM, Shakur R, Kaykobad M, Rahman MS (2016) Gene selection for cancer classification with the help of bees. BMC Med Genom 9(S2). https://doi.org/10.1186/s12920-016-0204-7

Parry RM, Jones W, Stokes TH, Phan JH, Moffitt RA, Fang H, Shi L, Oberthuer A, Fischer M, Tong W, Wang MD (2010) k-Nearest neighbor models for microarray gene expression analysis and clinical outcome prediction. Pharmacogenomics J 10(4):292–309. https://doi.org/10.1038/tpj.2010.56CrossRef

Pirooznia M, Yang JY, Yang MQ, Deng Y (2008) A comparative study of different machine learning methods on microarray gene expression data. BMC Genom 9(S1). https://doi.org/10.1186/1471-2164-9-s1-s13

Ragunthar T, Selvakumar S (2019) Classification of gene expression data with optimized feature selection. Int J Recent Technol Eng (IJRTE) 8(2):1–7CrossRef

Raza K (2014) Clustering analysis of cancerous microarray data. J Chem Pharm Res 6(9):488–493. https://www.jocpr.com/articles/clustering-analysis-of-cancerous-microarray-data.pdf

Raza K (2016) Analysis of microarray data using artificial intelligence based techniques. Handbook of research on computational intelligence applications in bioinformatics. IGI Global, USA, 216–239. https://doi.org/10.4018/978-1-5225-0427-6.ch011

Sahu A, Qazi S, Raza K, Singh A, Verma S (2022) Machine learning-based approach for early diagnosis of breast cancer using biomarkers and gene expression profiles. In: Computational intelligence in oncology, studies in computational intelligence (SCI). Springer, vol 1016, 285–306. https://doi.org/10.1007/978-981-16-9221-5_17

Shehab M, Khader AT, Al-Betar MA (2017) A survey on applications and variants of the cuckoo search algorithm. Appl Soft Comput 61:1041–1059

Talebi M, Abadi M (2014) BeeMiner: a novel artificial bee colony algorithm for classification rule discovery. In: 2014 Iranian conference on intelligent systems (ICIS), 2014, S 1–5. https://doi.org/10.1109/IranianCIS.2014.6802576

Tan AC, Gilbert D (2003) Ensemble machine learning on gene expression data for cancer classification

Utami DA, Rustam Z (2019) Gene selection in cancer classification using hybrid method based on particle swarm optimization (PSO), artificial bee colony (ABC) feature selection and support vector machine. In: AIP conference proceedings. https://doi.org/10.1063/1.5132474

Vanitha CDA, Devaraj D, Venkatesulu M (2015) Gene expression data classification using support vector machine and mutual information-based gene selection. Procedia Comput Sci 47:13–21. https://doi.org/10.1016/j.procs.2015.03.178CrossRef

Wang Y, Liu B, Ma Z, Wong KC, Li X (2019) Nature-inspired multiobjective cancer subtype diagnosis. IEEE J Transl Eng Health Med 7:1–12CrossRef

Wang Z, Qin C, Wan B, Song WW (2021) A comparative study of common nature-inspired algorithms for continuous function optimization. Entropy 23(7):874MathSciNetCrossRef

Yang SX, Luo C, Li H, Ni J, Zhang J (2016) Theory and applications of bioinspired neural intelligence for robotics and control. Comput Intell Neurosci

Yang XS, Deb S (2009) Cuckoo search via Lévy flights. In: 2009 world congress on nature and biologically inspired computing (NaBIC), 2009, S 210–214. https://doi.org/10.1109/NABIC.2009.5393690

Zang H, Zhang S, Hapeshi K (2010) A review of nature-inspired algorithms. J Bionic Eng 7(4):S232–S237CrossRef

Titel: Potenzielle Rolle der naturinspirierten Algorithmen zur Klassifizierung von hochdimensionalen und komplexen Genexpressionsdaten
verfasst von: Sahar Qazi
Ayesha Khanam
Khalid Raza
Verlag: Springer Nature Singapore
Buch: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik
Print ISBN: 978-981-9978-07-6

Electronic ISBN: 978-981-9978-08-3

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-99-7808-3_5

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner