[发明专利]一种基于改进的粒子群寻优算法的代谢组学分析方法有效
申请号: | 201910967968.4 | 申请日: | 2019-10-12 |
公开(公告)号: | CN110598836B | 公开(公告)日: | 2023-04-28 |
发明(设计)人: | 王馨瑶;唐业忠;陆方;王文波;刘杨 | 申请(专利权)人: | 中国科学院成都生物研究所 |
主分类号: | G06N3/006 | 分类号: | G06N3/006 |
代理公司: | 成都坤伦厚朴专利代理事务所(普通合伙) 51247 | 代理人: | 刘坤 |
地址: | 610041 *** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 改进 粒子 群寻优 算法 代谢 分析 方法 | ||
本发明属于医学生化检验的人工智能领域,涉及一种通过对代谢组成分进行机器学习和数据分析处理的方法。提出一种基于改进的粒子群寻优算法对代谢组进行分析识别的方法,包括以下步骤:1.建立人血液样本的非目标(non‑targeting)代谢物数据库;2.对代谢组数据进行标准化处理;3.利用改进的粒子群寻优算法以获得支持向量机(Support Vector Machine,简称SVM)的最优参数;4.利用SVM对代谢组数据进行建模分类,对血液样本的特性进行分析识别。本发明应用于早产儿视网膜病变(ROP)代谢组分析与UCI机器学习标准测试数据集,证实其具有优秀的全局寻优能力和较高的寻优速度,并具有良好的预测精度和稳定性。
技术领域
本发明涉及组学(omics)分析,也涉及人体代谢产物的检测和分析。
背景技术
后基因组时代,各种组学(omics)迅速发展,对医学生物学数据分析提出了更高的要求。组学的特点是借助高灵敏度的仪器设备,快速大量地获取医学生物学数据,使得统计方法和分析算法成为组学研究的重要内容。
不同于其他组学如基因组学、转录组学和蛋白组学,代谢组学通过各种化合物特有的质量-电荷比值以及滞留时间等信息,检测代谢产物的种类和丰度,因此不包含诸如基因或蛋白的序列信息。代谢组学不同于以前的任何化学分析方法,属于非目标检测,即对所有化合物进行无差别取样,以所有化合物的种类和丰度构成代谢组轮廓(profiling),并以轮廓标记样本。由于血液样本中代谢组成分及其含量十分复杂,相应的计算速度就成为数据分析的技术瓶颈。
支持向量机(Support Vector Machine,简称SVM)是根据结构风险最小化原则提出的一种机器学习方法,在小样本、非线性及高维模式识别等方面具有优秀的泛化能力。而参数的选取对支持向量机的性能影响极大,因此如何在最快的时间内找到SVM的最优参数,成为影响支持向量机学习和泛化能力的一个关键问题。由于支持向量机中各参数组合及取值的多样性,通过人工经验进行参数选取十分艰难,工作量也极其繁琐。因此,国内外学者开展了很多寻优函数方面的研究,目前国际上较为常用的优化参数方式有:粒子群算法(Particle Swarm Optimization,简称PSO)、网格搜索算法、遗传算法等。
PSO是通过模拟鸟群觅食行为而提出的一种全局随机搜索算法。在PSO中,每个优化问题的潜在解都是搜索空间中的一个粒子,粒子通过跟踪个体极值与全局极值来更新自己。作为一种启发式算法,PSO的搜索速度快、效率高、算法简单,缺点是容易陷入局部最优,全局搜索能力较弱。网格搜索法将各个参数可能的取值进行排列组合,列出所有可能的组合结果生成“网格”,是指定参数值的一种穷举搜索方法,存在复杂度高、运算量大等不足。
发明内容
为了解决目前对代谢组数据进行分析时存在的耗时高、参数组合复杂等问题,本发明提供了一种快速、准确、高效的基于改进的粒子群寻优算法的组学分析方法。
为实现上述发明目的,本发明所采用的技术方案是:一种基于改进的粒子群寻优算法的代谢组学分析方法,步骤包括:
步骤一:对病人和对照血液样本进行非目标检测,获得代谢组数据库,并对血液样本进行分类标记;划分训练集样本与测试集样本;核函数参数g与惩罚函数c作为SVM算法中的超参数,确定参数寻优的最大值与最小值及其差值f;
步骤二:初始化粒子群中粒子的速度、位置及个体历史最优和全局最优;
步骤三:引入一种新的异步学习函数以及一种新的惯性权重函数,更新粒子的速度与位置;
步骤四:对粒子群算法中每次迭代后的种群进行聚集程度分析,将寻到全局最优值的粒子附近一定范围内的粒子聚集程度作为触发变异条件,引入Logistic函数,使该范围内选定的粒子进行混沌变异;
步骤五:将粒子群计算得到的参数组合进行自适应调整选参;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院成都生物研究所,未经中国科学院成都生物研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910967968.4/2.html,转载请声明来源钻瓜专利网。