推进基因特征选择：共表达网络与遗传算法的协同方法

《Journal of Advanced Research》：Advancing Gene Feature Selection: A Synergistic Approach with Co-expression Networks and Genetic Algorithms

　　

摘要
引言：基因特征选择是生物信息学和医学研究中的重要环节，其目的在于从高维基因数据集中识别与特定疾病或生物学性状密切相关的基因子集。高维基因数据会导致维度灾难，造成数据稀疏、特征间关系复杂以及显著噪声，这些问题削弱了传统统计方法在捕获潜在生物学信息方面的可靠性。虽然基因特征选择能够提高分类模型精度并降低计算复杂度，但现有方法往往难以应对高维医学基因数据的复杂性。
目标：为解决现有方法的局限性，研究人员设计了一种整合共表达网络与遗传算法的协同基因特征选择方法（CJWGA），旨在高效执行基因特征选择，显著缩减特征子集规模，并在多个基因数据集上取得较高的预测精度。
方法：CJWGA将特征选择分解为两个关键步骤：共表达网络预处理和遗传算法迭代选择。研究人员提出了一种基于条件互信息的预处理基因选择方法（IMGCNet），用于筛选模块基因。针对联合互信息，设计了组合信息熵交叉算子（CIECO）和联合自适应变异算子（JAMO），并将其用于非支配排序遗传算法，以平衡强化与多样化。
结果：实验结果表明，所提出的CJWGA取得了显著性能。它在多个基因数据集上显著缩减特征子集规模，同时保持较高的预测精度。
结论：总体而言，协同的CJWGA方法整合了共表达网络和改进的遗传算法，在基因特征选择中表现出优异的性能。它应对了高维医学基因数据的挑战，并有望成为生物信息学和医学研究中基因特征选择的有价值工具。

论文解读：融合共表达网络与遗传算法的基因特征选择方法

在生物医学研究中，高通量测序和质谱等技术推动基因组学、蛋白质组学、代谢组学等数据快速增长。基因表达数据通常具有高维度、小样本、噪声大和冗余性强等特点。特征数远超样本数会引起维度灾难，导致数据稀疏，传统统计方法难以捕捉非线性关联和基因间交互，模型容易过拟合。特征选择在降低维度、提高分类准确性、增强模型泛化能力方面至关重要。然而，现有过滤式方法仅依赖统计度量，忽略特征交互；包裹式方法借助学习算法搜索最优子