Karaciğer Mikroarray Kanser Verisinin Sınıflandırılması için Genetik Algoritma Kullanarak ANFIS’in eğitilmesi

Abstract

ÖZSınıflandırma, verilerin analiz edilmesi için önemli bir veri madenciliği tekniği olup tıp, genetik ve biyomedikal mühendisliği başta olmak üzere birçok alanda kullanılmaktadır. Özellikle tıp alanında DNA mikrodizi gen ekspresyon verilerini sınıflandırmaya yönelik yapılan çalışmalarda artış görülmektedir. Ancak, mikrodizi gen ekspresyon (ifade) verilerinde bulunan gen sayılarının çokluğu ve bu veriler arasında doğrusal olmayan bağıntılar bulunması gibi problemlerden dolayı geleneksel sınıflandırma algoritmalarının başarımları sınırlı kalabilmektedir. Bu sebeplerden dolayı son yıllarda sınıflandırma probleminin çözümü için yapay zekâ tekniklerine dayalı sınıflandırma yöntemlerine olan ilgi giderek artmaya başlamıştır. Bu çalışmada, karaciğer mikrodizi kanser veri setinin sınıflandırılması için Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Genetik Algoritmaya (GA) dayalı hibrid bir yaklaşım önerilmiştir. Simülasyon sonuçları, diğer bazı yöntemlere ait sonuçlarla karşılaştırılmıştır. Elde edilen sonuçlardan, önerilen yöntemin diğer yöntemlere göre daha başarılı olduğu görülmüştür.Anahtar Kelimeler: Neuro-fuzzy, ANFIS, genetik algoritma, sınıflandırma, mikrodizi gen ifade Training ANFIS structure using genetic algorithm for liver cancer classification based on microarray gene expression data ABSTRACT Classification is an important data mining technique, which is used in many fields mostly exemplified as medicine, genetics and biomedical engineering. The number of studies about classification of the datum on DNA microarray gene expression is specifically increased in recent years. However, because of the reasons as the abundance of gene numbers in the datum as microarray gene expressions and the nonlinear relations mostly across those datum, the success of conventional classification algorithms can be limited. Because of these reasons, the interest on classification methods which are based on artificial intelligence to solve the problem on classification has been gradually increased in recent times. In this study, a hybrid approach which is based on Adaptive Neuro-Fuzzy Inference System (ANFIS) and Genetic Algorithm (GA) are suggested in order to classify liver microarray cancer data set. Simulation results are compared with the results of other methods. According to the results obtained, it is seen that the recommended method is better than the other methods.

Classifying Microarray Gene Data of Various Cancerous Tissues Using Metric Learning

“…Örneğin Kılıçarslan ve ark. [8] Destek Vektör Makineleri ve k-en yakın komşu algoritmalarını prostat kanserine ait mikro dizi gen verileri ile eğiterek prostat kanserini sınıflamaya çalışmış; Haznedar ve ark., [9] ise Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Genetik Algoritma (GA) algoritmalarını birleştirerek oluşturdukları hibrit algoritma ile karaciğer kanserinin alt türlerini sınıflandırmaya çalışmıştır. Uluslararası çapta ise öne çıkan çalışmalardan biri Dwivedi [2] 'nin yapay sinir ağlarını lösemili dokulardan alınmış mikro dizi gen verileri üzerinde eğiterek löseminin iki türü olan akut lenfoblastik lösemi ile akut miyeloid lösemiyi efektif olarak ayrıştırmasıdır.…”

Training Anfis System with Moth-Flame Optimization Algorithm

“…Turki (2012) [20] used the ANFIS trained by PSO for nonlinear system adaptive control. Haznedar (2016) [21] performed the classification of Liver microarray cancer data with the ANFIS trained using GA. Furthermore, in another study of Haznedar et al (2016) [22], the ANFIS trained by GA was also used in dynamic system identification.…”

Bilimsel çalışmalarda kullanılan bazı yapay zeka uygulamalarının ve trendlerinin incelenmesi

“…Bulanık Mantıktan farkı kuralların mevcut veriler kullanılarak otomatik olarak elde edilmesine dayanır. Mıknatıslı senkron motorların çekirdek dirençlerinden dolayı oluşan kayıpların tahmini (Erdoğan & Ozdemir, 2016), sediment taşınımının modellenmesi (Ebtehaj & Bonakdari, 2017), büyük depremlerin sismik dalga hareketinin tahmini (Chaudhur, et al, 2018), internet erişim sensörlerinin yerlerinin belirlenmesi (Baccar, et al, 2017) sıkıştırılmış zeminlerde şişme potansiyelinin belirlenmesi (Kayadelen, et al, 2009), buhar sıkıştırmalı soğutma sistemlerinde enerjisel performansın belirlenmesi (Gill & Singh, 2017) ve delikli polimer liflerin çekme miktarının belirlenmesi (Salim, 2017) (Haznedar, et al, 2017). Mikro aralıklı verilerin sınıflandırılması (Bilen, et al, 2015), doğal gaz ihtiyacının modellenmesi (Özdemir, et al, 2016), nehir akımlarının tahmini (Keskin & Taylan, 2009), sezgisel araç yönlendirme sistemleri (Kuscu & Kucuksille, 2011) robotların ve robot parçalarının hareketlerinin oluşturulması (Gultekin, et al, 2017), ön gerilmeli beton kirişlerin optimum dizaynı (Turkeli & Ozturk, 2017) ve mikro dalga transistorlarının performans analizi (Yidirim, et al, 2017) (Perez, et al, 2017), yüksek çözünürlüklü uydu görüntülerinin gruplanması (Chehreghan & Abbaspour, 2017) biomedikal alanlarda uzaktan yönetimli ilaç verme problemlerinin çözümü (Guo, et al, 2018) ve küçük ölçekli helikopterlerin optimum kontrolünün sağlanması (Ma, et al, 2017) (Termeh, et al, 2018) ve tünellerdeki yeraltı suyu problemlerinin çözümü (Marwana, et al, 2016) (Niu, et al, 2018) robotik kontrol sistemlerine (Chen & Zhang, 2018) kadar birçok alanda kullanılmaktadır.…”