基于Memetic優(yōu)化的高維代謝組特征數(shù)據(jù)智能加權(quán)算法研究.pdf

1、代謝物是生物體內(nèi)參與、實現(xiàn)代謝過程的小分子有機化合物總稱，與生命體的生理狀態(tài)息息相關(guān)，包含了豐富的生物學信息。為從整體高度研究生物體內(nèi)的各類代謝物質(zhì)，近年來提出了代謝組學的概念，通過分析其在生理過程中所起的具體作用，以揭示背后的生物化學機理。與傳統(tǒng)組學研究相比，代謝組學被認為可更為全面地展示生命體的真實生理狀態(tài)過程，因此獲得了學術(shù)界越來越多的重視。近年來，代謝組學被廣泛應(yīng)用于生物標志物識別、藥物設(shè)計、毒理學以及環(huán)境科學等諸多領(lǐng)域中。

2、r>　　代謝物經(jīng)采集、檢測獲得的信號數(shù)據(jù)，被稱為代謝物特征數(shù)據(jù)，是代謝組學研究的基本對象。為提取其中的生物學信息，一般采用機器學習算法對其進行處理。但代謝組特征數(shù)據(jù)具有:(1).維度較高，而樣本數(shù)相對較小;(2).特征數(shù)據(jù)包含大量噪聲，而僅有少量信號與目標生理狀態(tài)相關(guān)的特點，傳統(tǒng)方法往往難以直接獲得令人滿意的分析結(jié)果。因此需要引入特征選擇算法對輸入數(shù)據(jù)進行預(yù)處理。但另一方面，特征選擇可視作特征加權(quán)在權(quán)值僅能取得{0，1）狀態(tài)時的特殊形式

3、。而研究表明，合適的特征加權(quán)可獲得比特征選擇更佳的學習算法性能提升作用。且權(quán)值數(shù)值定量描述了對應(yīng)代謝物信號與目標生理狀態(tài)間的具體關(guān)聯(lián)信息，其對后續(xù)生物醫(yī)學研究有著重要意義。因此我們使用特征加權(quán)算法對代謝組數(shù)據(jù)進行處理。
　　代謝組特征數(shù)據(jù)維度較高，其加權(quán)設(shè)計屬于復(fù)雜的大規(guī)模優(yōu)化問題。在本研究中，我們使用計算智能方法對其進行有效解決。Memetic算法是計算智能體系中的最為重要的一類方法。通過合理調(diào)配全局優(yōu)化過程與局部搜索策略，Me

4、metic算法可在較少的計算資源內(nèi)，獲得比其它方法更佳的尋優(yōu)結(jié)果。在深入分析Memetic算法結(jié)構(gòu)的基礎(chǔ)上，我們提出了泛化的MetaChain模型，有效提升了優(yōu)化框架自由度。通過引入基于概率模型的算子調(diào)度機制，論文提出了兩種高性能Memetic改進算法。在標準大規(guī)模測試函數(shù)集上的結(jié)果表明，其獲得了比現(xiàn)有國際先進方法更佳的優(yōu)化結(jié)果。
　　通過使用提出的Memetic算法優(yōu)化特征矢量權(quán)值設(shè)置，并將先進的機器學習方法以封裝形式引入框架以