Les modèles hybrides basés optimisation et apprentissage automatique pour la résolution de problèmes dans le domaine de la bioinformatique

Abstract

L'identification des biomarqueurs devient l'un des sujets de recherche scientifique les plus abordés. Ce n’est pas une tâche facile en raison de l'énorme volume de données «omiques». Néanmoins, il peut être modélisé comme le problème de la sélection d’attributs. Les techniques de sélection d’attributs ont montrés leur efficacité dans l'identification de biomarqueurs pour le cancer. Dans des travaux récents, l'hybridation de l'apprentissage automatique et de l'optimisation a démontré sa puissance dans diverses applications. Dans ce travail,nous proposons une approche hybride pour identifier des biomarqueurs à partir des données d'expression génique. Nous avons combiné PSO et la recherche Cuckoo améliorée ICS avec le classifieur SVM pour sélectionner des biomarqueurs. Dans la méthode proposée, les meilleures particules sélectionnées par PSO sont l'entrée de l’algorithme de ICS. Des résultats expérimentaux sur des ensembles de données de puces à ADN, ont prouvé que cette hybridation mène à des résultats satisfaisants.