【佳學基因檢測】使用機器學習通過TP53基因突變對癌癥分類的比較評估

根據(jù)，國際著名基因檢測科學性證據(jù)雜志《》在第期發(fā)表了一篇標題為《使用機器學習通過TP53基因突變對癌癥分類的比較評估》的文章。該基因領域的臨床應用研究由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)標簽：?35901354和?doi: 10.31557/APJCP.2022.23.7.2459.

基因解碼研究關鍵詞：

生物信息學,分類,機器學習,神經(jīng)網(wǎng)絡,癌癥

國際基因解碼證據(jù)鏈條標簽：

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

基因檢測臨床研究與應用結果介紹：

目的：癌癥是一種可怕的疾病。對癌癥進行分類的基礎是識別基因序列中的致癌突變。雖然基因分析可以預測某些類型的癌癥，但目前還沒有預測癌癥的有效方法。因此，本文的目的是預測癌癥類型，并找到一種使用兩種不同機器學習算法對癌癥進行分類的數(shù)據(jù)挖掘技術。此外，早期檢測突變的腫瘤蛋白P53基因可以預測治療和基因治療技術。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。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 等生物信息學技術，然后是機器學習算法，這些算法使用神經(jīng)網(wǎng)絡算法根據(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）。結果：作為一個利用MLP和SVM訓練和測試一組字段的方法，Machin學習方法是發(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%。結論：經(jīng)過學習和測試階段，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。基因解碼研究機構可以得出結論，使用 SVM 被認為比 MLP 算法更好，因為 SVM 的正確性優(yōu)于 MLP 的正確性。

• 上一篇：【佳學基因檢測】基因組圖譜顯示非小細胞肺癌放化療療效和胸部毒性的新預測生物標志物
• 下一篇：【佳學基因檢測】葡萄膜黑色素瘤和配對成分DNA分析排除BAP1腫瘤易感綜合征

• 收藏
• 挑錯
• 推薦
• 打印