协同三重增强人类记忆优化(SPHMO)算法用于头颈癌生物标志物发现

《Scientific Reports》:A synergistic triple superior vortex human memory driven algorithm for head and neck cancer biomarker discovery

【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9

编辑推荐:

  特征选择(Feature Selection, FS)构成了机器学习应用中一个基本的预处理步骤,旨在识别最优特征子集,以提升分类性能并降低计算复杂度。特征选择问题固有的NP难(NP-hard)复杂度推动了关于元启发式算法(metaheuristic algor

  
特征选择(Feature Selection, FS)构成了机器学习应用中一个基本的预处理步骤,旨在识别最优特征子集,以提升分类性能并降低计算复杂度。特征选择问题固有的NP难(NP-hard)复杂度推动了关于元启发式算法(metaheuristic algorithms)作为有效包装式(wrapper-based)优化方法的广泛研究。然而,当前以大规模特征空间和小样本量为特征的高维数据集带来了显著挑战,常常导致次优性能和过高的计算需求。本研究提出了基于优越预测的人类记忆优化(Superior Predictive-based Human Memory Optimization, SPHMO)算法,这是人类记忆优化(Human Memory Optimization, HMO)框架的一种增强变体,被专门设计用于有效应对这些计算与优化挑战。SPHMO整合了三种协同增强策略:利用佳点集(Good Point Set)理论和对立学习(Oppositional-Based Learning)以改善初始种群分布的基于优越点的初始化策略(Superior Point-Based Initialization Strategy);利用历史运动模式进行智能搜索方向预测的基于预测轨迹的运动策略(Predictive Trajectory-Based Motion Strategy, PTMS);以及实施维度特定概率扰动以促进局部最优逃逸的混沌涡旋扰动(Chaotic Vortex Perturbation, CVP)机制。该算法的优化能力通过在CEC2022和CEC2017基准测试套件上的全面评估得到严格验证,展现出相较于已确立的经典、当代和先进优化算法更优越的收敛特性。此外,SPHMO的特征选择有效性通过采用多种分类器架构(k-NN、SVM、决策树)在24个不同的UCI存储库数据集上得到广泛评估,并通过使用高维RNA测序(RNA-sequencing)数据的头颈癌生物标志物发现进行了实际验证。实验结果表明,SPHMO取得了卓越的性能改进,在不同问题域中的分类准确率介于81.65%至100%之间,同时在实际基因组应用中实现了最高达99.97%的显著特征缩减效率,从而确立了其针对复杂高维特征选择挑战的鲁棒性和实际适用性。
**研究背景与问题**

随着各领域数据采集能力的快速增长,数据集维度空前增加,大量无关、冗余或噪声特征导致模型性能下降与计算复杂度上升,这一现象被称为"维度灾难"。特征选择(Feature Selection, FS)作为机器学习应用中的关键预处理步骤,旨在识别最优特征子集。传统FS方法分为过滤式(filter-based)、包装式(wrapper-based)与嵌入式(embedded)三类。为克服传统方法的局限,研究者转向元启发式算法(metaheuristic algorithms, MAs),但现有MAs普遍存在早熟收敛、探索-开发不平衡、种群多样性维持不足及边界处理机制欠优等缺陷。人类记忆优化(Human Memory Optimization, HMO)算法因其独特的基于记忆的认知过程而适用于FS问题,但原始HMO存在随机初始化导致初始多样性不足、过度依赖当前最优解引发早熟收敛、缺乏动态扰动机制导致局部最优停滞等三个关键缺陷。为此,研究人员提出了SPHMO算法。

**研究内容与总体结论**

研究人员在HMO框架内整合三种互补的增强策略:基于优越点的初始化策略(SPI)利用佳点集(Good Point Set)理论与对立学习(Oppositional-Based Learning, OBL)生成低差异且分布均匀的初始种群;基于预测轨迹的运动策略(PTMS)通过步长矩阵(SSM)、方向矩阵(DM)与历史方向矩阵(HDM)记录个体历史位移模式,使搜索由"反应式追踪全局最优"转变为"预测式方向引导";混沌涡旋扰动(CVP)机制对随机维度实施概率性混沌扰动,模拟流体涡旋的非线性动力学以逃逸局部最优。时间与空间复杂度分析表明,SPHMO与原始HMO保持相同的渐近复杂度类别。综合实验显示,SPHMO在CEC2022与CEC2017基准函数测试中均获总体排名第一;在24个UCI数据集上,采用k-NN、SVM与决策树三种分类器评估,分类准确率达81.65%-100%;在包含60,660个基因的头颈癌RNA-seq数据上,以平均12.6个基因实现97.44%的分类准确率,降维幅度达99.97%,验证了其在高维基因组学中的实际应用价值。

**关键技术与方法**

研究人员采用的主要技术方法包括:(1)基于佳点集与对立学习的SPI初始化,保留适应度前50%的个体构成初始种群;(2)PTMS轨迹预测机制,通过步长矩阵(SSM)、方向矩阵(DM)和历史方向矩阵(HDM)记录历史位移,依据方向一致性动态调整步长并产生预测位移;(3)CVP混沌涡旋扰动,以概率阈值pe=0.2对随机维度施以余弦混沌调制;(4)二元FS适应度函数,融合分类错误率与特征比率,权重α=0.99、β=0.01,并以sigmoid传递函数实现连续到二元的转换;(5)集成核心基因筛选流程,将20次独立运行中选择频率≥70%的基因判定为核心panel。UCI数据集按80%/20%划分训练测试,种群规模10、迭代100次、独立运行30次;HNSCC案例用TCGA数据库564个样本(519肿瘤/45正常),70/30划分,种群100、3,000次函数评估、20次独立运行。

**研究结果**

*CEC2022基准函数测试讨论*:在CEC2022全部12个函数上,SPHMO以平均秩1.417排名第一,显著优于对比算法;在单峰函数F1上平均适应度302.135且标准差仅2.299,在多峰F3/F4、混合F6-F8及复合F10/F12等函数上均获最优或接近最优结果,Wilcoxon秩和检验表明其在10-12个函数上显著优于EEFO、GJO、WOA、HMO及KOA等算法。

*CEC2017高维基准测试讨论*:在50维CEC2017的29个函数上,SPHMO以平均秩2.28排第一,领先LSHADE_cnEpSin(2.76)与AGSK(3.62);在8个复合函数上获得最优排名,证明其在高维复杂地形下的稳健性。

*SPHMO在特征选择问题中的性能评估*:在24个UCI数据集上的三分类器实验显示,SPHMO在k-NN、SVM和DT下分别达到95.795%、94.039%和94.353%的平均准确率,相较原始HMO提升1.944%-2.853%,并取得最低平均适应度值与最少的平均特征数(k-NN下51.728)。对PTMS随机缩放范围和CVP扰动阈值的敏感性分析确定了rmax=0.20与pe=0.20为最优参数。与12种先进二元FS方法比较,SPHMO在20个数据集中的16个上取得最高或并列最高准确率,Friedman秩分别为2.125(准确率)和1.6(适应度)。运行时间分析显示SPHMO以38.10秒的平均耗时位列所有算法中最低。噪声鲁棒性实验表明,在5%-20%高斯噪声水平下,SPHMO在所有数据集上均保持最佳分类精度。

*头颈癌RNA测序实际案例*:在TCGA-HNSCC数据集(60,660基因)上,SPHMO取得97.44%的平均准确率、0.02539的适应度、0.9630的F分数,仅选择12.6个基因,降幅达99.97%,且在843.76秒的运行时间内优于所有对比算法。通过集成核心基因筛选,识别出10个核心基因,包括SPP1、FN1、MMP13等上调基因与KRT13、KRT4等下调基因,与HNSCC已知分子机制具有生物学一致性。

**讨论与结论**

讨论部分指出,SPHMO的记忆型认知框架、三重策略的协同交互及其在低维与高维场景中的一致性优势构成了其优越性能的基础;局限性包括多策略带来的计算开销、参数敏感性以及超高维p>>n场景下的过拟合风险。结论部分总结:本研究提出的SPHMO算法通过整合SPI、PTMS与CVP三种增强策略,有效克服了HMO的初始化偏差、轨迹盲区与局部最优停滞问题。24个UCI数据集上的分类准确率介于81.65%-100%,适应度优化范围为0.003-0.236,最高达99.97%的降维幅度;CEC2022与CEC2017均列第一;头颈癌分类准确率97.44%,特征从60,660降至12.6个基因,具有临床转化潜力。Friedman与Wilcoxon检验确认了统计显著性,收敛分析证明其具备三阶段收敛行为。未来研究方向包括自适应参数调节、多目标变体、理论收敛性证明、原生二元SPHMO变体以及多模态医学数据整合。
相关新闻
生物通微信公众号
微信
新浪微博

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