【Trust科技基因检测】使用机器学习顺利获得TP53基因突变对癌症分类的比较评估

根据，国际有很高知名度基因检测科学性证据杂志《》在第期发表了一篇标题为《使用机器学习顺利获得TP53基因突变对癌症分类的比较评估》的文章。该基因领域的临床应用研究由Dina Yousif Mikhail, Firas H Al-Mukhtar , Shahab Wahab Kareem 完成。

基因信息数据库索引号：

基因检测人工智能数据标签： 35901354和 doi: 10.31557/APJCP.2022.23.7.2459.

基因解码研究关键词：

生物信息学,分类,机器学习,神经网络,癌症

国际基因解码证据链条标签：

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

基因检测临床研究与应用结果介绍：

目的：癌症是一种可怕的疾病。对癌症进行分类的基础是识别基因序列中的致癌突变。虽然基因分析可以预测某些类型的癌症，但现在还没有预测癌症的有效方法。因此，本文的目的是预测癌症类型，并找到一种使用两种不同机器学习算法对癌症进行分类的数据挖掘技术。此外，早期检测突变的肿瘤蛋白P53基因可以预测治疗和基因治疗技术。方法：（UMD-2010）通用突变数据库用于诊断基因突变。然而，挑战在于数据库非常基础。此外，它是一个excel格式的数据库。由于其局限性，该数据库不能用于对癌症进行分类。此外，还使用了成对比对和 BLAST 等生物信息学技术，然后是机器学习算法，这些算法使用神经网络算法根据 TP53 基因的恶性突变对癌症进行分类，方法是从 (53) 个数据库字段中选择 (12) 个用于第二阶段的TP53基因数据库。需要注意的是（UMDCell-line2010）数据库没有这十二个字段之一（Field of gene locus）。结果：作为一个利用MLP和SVM训练和测试一组字段的方法，Machin学习方法是发现是一种有效的癌症分类方法。其中 MLP 和 SVM 的相对先进误差分别为 83.6005 %、65.6605 %，正确率分别为 90 %、93.7%。结论：经过学习和测试阶段，找到了用于测量误差的平均先进误差 (MAE)在 SVM 中小于 (MAE) 在 MLP 算法中。基因解码研究组织可以得出结论，使用 SVM 被认为比 MLP 算法更好，因为 SVM 的正确性优于 MLP 的正确性。