20、多目标算法在生物数据挖掘中的应用探索

多目标算法在生物数据挖掘中的应用探索

在生物信息学领域，挖掘复杂生物数据中的有价值信息一直是一项具有挑战性的任务。本文将介绍两种重要的技术方法：多目标进化算法用于发现肽结合基序，以及进化多目标概念聚类方法用于挖掘结构数据库，同时对它们的性能和应用进行分析。

多目标进化算法发现肽结合基序

在寻找肽结合基序的研究中，多目标进化算法（MOEA）展现出了独特的优势。

实验基序的得分矩阵表示

为了将实验基序以定量矩阵的形式呈现，采用了特定的评分方案。排除了两个不能很好描述k - 聚体位置或对描述位置分配较少残基的实验基序。对于其他基序，具体评分规则如下：
- 所有不容忍的位置得分为0。
- 耐受性良好的残基被赋予最大得分127。
- 主要锚定位置的首选残基被赋予最大得分的一半。
- 未携带任何预定义残基的位置被赋予最大得分的三分之一。

计算每个得分矩阵之间的距离，并将所有距离的总和用于优化目标函数f2。

多目标进化算法NSGA - II参数设置

在MOEA优化运行中，使用了包含500个个体的种群，每个个体代表180个介于0和127之间的实数。具体参数设置如下：
- 实数变量的交叉概率设置为1.0。
- 变异概率为0.006。
- 交叉和变异的分布指数分别设置为15和30。

经过300代后，进化过程终止。算法收敛到最终种群的情况如图1所示。多个帕累托解的存在允许用户选择最佳解，我们从基序解集里选择了在测试数据集上具有最高AROC（受试者工作特征曲线下面积）的基序。

性能比较