Resumen

Los datos de expresión génica de los microarrays proporcionan una forma prospectiva de diagnosticar enfermedades y clasificar el cáncer. Sin embargo, en bioinformática, el problema de la selección de genes, es decir, cómo seleccionar los genes más informativos entre miles de genes, sigue siendo un reto. Este problema es un problema específico de selección de características con características de alta dimensión y tamaños de muestra pequeños. En este trabajo, se propone un método de dos etapas que combina un método de selección de características de filtro y un método de selección de características de envoltura para resolver el problema de selección de genes. En contraste con los métodos comunes, el método propuesto modela el problema de selección de genes como un problema de optimización multiobjetivo. Ambas etapas emplean la misma evolución diferencial multiobjetivo (MODE) como estrategia de búsqueda, pero incorporan diferentes funciones objetivo. Las tres funciones objetivo del método del filtro se basan principalmente en la información mutua. Las dos funciones objetivo del método de envoltura son el número de características seleccionadas y el error de clasificación de un clasificador ingenuo de Bayes (NB). Finalmente, el rendimiento del método propuesto se prueba y analiza en seis conjuntos de datos de expresión genética de referencia. Los resultados experimentales verificaron que este trabajo proporciona una forma novedosa y eficaz de resolver el problema de selección de genes mediante la aplicación de un algoritmo de optimización multiobjetivo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:problema de selección de genes, métodos de selección de características, función de objetivos, métodos propuestos, evolución diferencial multiobjetivo, datos de expresión génica, problema de selección de características, función de objetivos diferentes, expresión génica de microarrays, tamaño de muestra pequeño
• Keywords:gene selection problem, features selection methods, objectives function, proposed methods, multiobjective differential evolution, gene expression data, features selection problem, different objectives function, microarray gene expression, small sample size