انتخاب بهینه ویژگی ها اثر انگشت های مولکولی با الگوریتم بهینه سازی گرگ خاکستری به منظور طبقه بندی دقیق تر مواد شیمیایی با استفاده از شبکه عصبی بازگشتی

پیش بینی دقیق سمیت مواد شیمیایی یکی از چالش های مهم در حوزه ایمنی و سلامت است. در این پژوهش یک چارچوب هوشمند برای طبقه بندی دقیق تر مواد شیمیایی بر اساس سمیت دهانی ارائه شده است. روش پیشنهادی از ترکیب الگوریتم بهینه سازی گرگ خاکستری و شبکه عصبی بازگشتی بهره می برد. مجموعه داده مورد استفاده شامل ۸۹۹۲ ماده شیمیایی با ۱۰۲۴ ویژگی دودویی اثر انگشت مولکولی است که به دو کلاس «بسیار سمی» و «چندان سمی» تقسیم شده اند. در مرحله اول از الگوریتم گرگ خاکستری برای انتخاب بهینه زیرمجموعه ای از ویژگی های موثر استفاده شده است. این الگوریتم با شبیه سازی رفتار هوشمندانه گرگ های خاکستری در طبیعت قادر به شناسایی موثرترین ویژگی های مولکولی مرتبط با سمیت است. در مرحله دوم همان الگوریتم گرگ خاکستری برای بهینه سازی پارامترهای حیاتی شبکه عصبی بازگشتی شامل تعداد نورون ها، نرخ یادگیری، نوع سلول بازگشتی، تابع فعال سازی، طول توالی ورودی، اندازه بچ، نوع بهینه ساز و تعداد لایه ها به کار گرفته شده است. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در مقایسه با روش های متداول موفق به دستیابی به دقت بالاتر و نرخ خطای پایین تری شده است. مهم ترین مزیت این روش توانایی همزمان در انتخاب ویژگی های بهینه و تنظیم پارامترهای مدل است که منجر به بهبود قابل توجه عملکرد طبقه بندی می شود. این پژوهش گامی موثر در جهت توسعه سیستم های هوشمند پیش بینی سمیت مواد شیمیایی با قابلیت اطمینان بالا و هزینه محاسباتی بهینه محسوب می شود. کاربردهای عملی این تحقیق در حوزه های طراحی، دارو، ارزیابی ایمنی مواد شیمیایی و پایش محیط زیست قابل تصور است. کاهش ابعاد داده و افزایش دقت طبقه بندی از طریق رویکرد پیشنهادی امکان تحلیل مجموعه داده های بزرگ شیمیایی را با کارایی بالاتر فراهم می کند.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، طبقه بندی ، انتخاب ویژگی ، شبکه عصبی بازگشتی ، الگوریتم بهینه سازی گرگ خاکستری ، پیش بینی سمیت مواد شیمیایی