Classification of Schizophrenia Patients According to DNA Methylation Data Based on Meta-learning
Notice bibliographique
Résumé
The question for understanding the correlation between genetic expression and diagnosis of schizophrenia patients has always been challenging. The DNA methylation can provide an effective approach to solve the problem. However, limited by the size of datasets and the high dimensionality, conventional feature selection and pattern recognition methods cause a severe overfitting phenomenon. In this paper, the DNA methylation data are analyzed to filter out the most important gene points for classification. To alleviate the negative overfitting impacts the optimization-based meta-learning i.e., the MAML algorithm, is developed to solve the multi-classification and feature selection problems. The proposed method combining MAML with attention-based mechanism is capable of conducting feature selection with fast generalization and quick adaptation for small samples. The major work lies in that the proposed model is pretrained with TCGA which can be tailored to our circumstance with priori information. To test the efficiency of the proposed algorithm, the DNA methylation data are used including homicidal schizophrenics and violent schizophrenics from some authoritative institute. Our method achieves a recognition accuracy of 91.89% (homicidal schizophrenics, schizophrenics without violent behaviors, and normal people) and 67.96% (schizophrenics with violent behaviors, schizophrenics without violent behaviors, and normal people}) respectively, which is a great improvement compared to the best-known results based on the traditional method with 82.52% and 63.76%. Furthermore, 1000 significant feature gene points are selected from more than 400 thousand feature points.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».