一种结合 Boruta 和 SMOTE 方法的快速驴品种分类方法,利用 SNP 数据:有效应对高维性和小样本问题

《Biochemical Genetics》:A Boruta-SMOTE Integrated Approach for Rapid Donkey Breed Classification Using SNP Data: Addressing High-Dimensionality and Small Sample Challenges

【字体: 大 中 小 】 时间:2026年01月15日 来源:Biochemical Genetics 1.6

编辑推荐:

  基因组数据分类中采用Boruta算法结合SMOTE过采样技术,有效解决高维数据维度灾难和类别不平衡问题,实验表明该方法在准确率、召回率等指标上优于随机森林、KNN、XGBoost和CNN等传统分类器,为驴遗传资源保护和品种改良提供新方案。

  

摘要

随着基因组数据复杂性的增加,传统分类方法在处理多个单核苷酸多态性(SNP)标记时面临“维度灾难”和类别不平衡的双重挑战。为了解决这些挑战,本研究提出了一种创新方法,将Boruta降维算法与合成少数类过采样技术(SMOTE)相结合。该方法包括两个关键步骤:首先使用Boruta算法优化特征,以识别最具代表性的遗传标记,从而显著降低高维数据的复杂性;然后应用SMOTE技术生成合成样本,平衡少数类分布并缓解数据不平衡问题。实验结果表明,与未集成Boruta-SMOTE的传统分类器(随机森林[RF]、K近邻[KNN]、极端梯度提升[XGBoost]和卷积神经网络[CNN])相比,所提出的方法在准确性、精确度、召回率和F1分数等多个指标上表现更优。本研究为驴的遗传资源保护、品种改良和商业应用提供了新的见解,同时为基因组数据分类挑战提供了有效的解决方案。

图形摘要

随着基因组数据复杂性的增加,传统分类方法在处理多个单核苷酸多态性(SNP)标记时面临“维度灾难”和类别不平衡的双重挑战。为了解决这些挑战,本研究提出了一种创新方法,将Boruta降维算法与合成少数类过采样技术(SMOTE)相结合。该方法包括两个关键步骤:首先使用Boruta算法优化特征,以识别最具代表性的遗传标记,从而显著降低高维数据的复杂性;然后应用SMOTE技术生成合成样本,平衡少数类分布并缓解数据不平衡问题。实验结果表明,与未集成Boruta-SMOTE的传统分类器(随机森林[RF]、K近邻[KNN]、极端梯度提升[XGBoost]和卷积神经网络[CNN])相比,所提出的方法在准确性、精确度、召回率和F1分数等多个指标上表现更优。本研究为驴的遗传资源保护、品种改良和商业应用提供了新的见解,同时为基因组数据分类挑战提供了有效的解决方案。

图形摘要

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号