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(shí)現(xiàn)代謝過程的小分子有機(jī)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(xué)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(xué)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(xué)機(jī)理。與傳統(tǒng)組學(xué)研究相比，代謝組學(xué)被認(rèn)為可更為全面地展示生命體的真實(shí)生理狀態(tài)過程，因此獲得了學(xué)術(shù)界越來越多的重視。近年來，代謝組學(xué)被廣泛應(yīng)用于生物標(biāo)志物識(shí)別、藥物設(shè)計(jì)、毒理學(xué)以及環(huán)境科學(xué)等諸多領(lǐng)域中。

2、r>　　代謝物經(jīng)采集、檢測(cè)獲得的信號(hào)數(shù)據(jù)，被稱為代謝物特征數(shù)據(jù)，是代謝組學(xué)研究的基本對(duì)象。為提取其中的生物學(xué)信息，一般采用機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)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(duì)較小;(2).特征數(shù)據(jù)包含大量噪聲，而僅有少量信號(hào)與目標(biāo)生理狀態(tài)相關(guān)的特點(diǎn)，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(duì)輸入數(shù)據(jù)進(jìn)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(shí)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(xué)習(xí)算法性能提升作用。且權(quán)值數(shù)值定量描述了對(duì)應(yīng)代謝物信號(hào)與目標(biāo)生理狀態(tài)間的具體關(guān)聯(lián)信息，其對(duì)后續(xù)生物醫(yī)學(xué)研究有著重要意義。因此我們使用特征加權(quán)算法對(duì)代謝組數(shù)據(jù)進(jìn)行處理。
　　代謝組特征數(shù)據(jù)維度較高，其加權(quán)設(shè)計(jì)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(jì)算智能方法對(duì)其進(jìn)行有效解決。Memetic算法是計(jì)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(jì)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(jī)制，論文提出了兩種高性能Memetic改進(jìn)算法。在標(biāo)準(zhǔn)大規(guī)模測(cè)試函數(shù)集上的結(jié)果表明，其獲得了比現(xiàn)有國際先進(jìn)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(jìn)的機(jī)器學(xué)習(xí)方法以封裝形式引入框架以