【佳學(xué)基因檢測】使用機器學(xué)習(xí)通過TP53基因突變對癌癥分類的比較評估

根據(jù)，國際有很高知名度基因檢測科學(xué)性證據(jù)雜志《》在第期發(fā)表了一篇標(biāo)題為《使用機器學(xué)習(xí)通過TP53基因突變對癌癥分類的比較評估》的文章。該基因領(lǐng)域的臨床應(yīng)用研究由Dina Yousif Mikhail,?Firas H Al-Mukhtar?,?Shahab Wahab Kareem?完成。

基因信息數(shù)據(jù)庫索引號：

基因檢測人工智能數(shù)據(jù)標(biāo)簽：?35901354和?doi: 10.31557/APJCP.2022.23.7.2459.

基因解碼研究關(guān)鍵詞：

生物信息學(xué),分類,機器學(xué)習(xí),神經(jīng)網(wǎng)絡(luò),癌癥

國際基因解碼證據(jù)鏈條標(biāo)簽：

Bioinformatics, Classification, Machin learning, Neural Networks, cancer.

基因檢測臨床研究與應(yīng)用結(jié)果介紹：

目的：癌癥是一種可怕的疾病。對癌癥進行分類的基礎(chǔ)是識別基因序列中的致癌突變。雖然基因分析可以預(yù)測某些類型的癌癥，但目前還沒有預(yù)測癌癥的有效方法。因此，本文的目的是預(yù)測癌癥類型，并找到一種使用兩種不同機器學(xué)習(xí)算法對癌癥進行分類的數(shù)據(jù)挖掘技術(shù)。此外，早期檢測突變的腫瘤蛋白P53基因可以預(yù)測治療和基因治療技術(shù)。方法：（UMD-2010）通用突變數(shù)據(jù)庫用于診斷基因突變。然而，挑戰(zhàn)在于數(shù)據(jù)庫非?；A(chǔ)。此外，它是一個excel格式的數(shù)據(jù)庫。由于其局限性，該數(shù)據(jù)庫不能用于對癌癥進行分類。此外，還使用了成對比對和 BLAST 等生物信息學(xué)技術(shù)，然后是機器學(xué)習(xí)算法，這些算法使用神經(jīng)網(wǎng)絡(luò)算法根據(jù) TP53 基因的惡性突變對癌癥進行分類，方法是從 (53) 個數(shù)據(jù)庫字段中選擇 (12) 個用于第二階段的TP53基因數(shù)據(jù)庫。需要注意的是（UMDCell-line2010）數(shù)據(jù)庫沒有這十二個字段之一（Field of gene locus）。結(jié)果：作為一個利用MLP和SVM訓(xùn)練和測試一組字段的方法，Machin學(xué)習(xí)方法是發(fā)現(xiàn)是一種有效的癌癥分類方法。其中 MLP 和 SVM 的相對先進誤差分別為 83.6005 %、65.6605 %，正確率分別為 90 %、93.7%。結(jié)論：經(jīng)過學(xué)習(xí)和測試階段，找到了用于測量誤差的平均先進誤差 (MAE)在 SVM 中小于 (MAE) 在 MLP 算法中?；蚪獯a研究機構(gòu)可以得出結(jié)論，使用 SVM 被認(rèn)為比 MLP 算法更好，因為 SVM 的正確性優(yōu)于 MLP 的正確性。

 罕見病-癲癇