基因表达式编程GEP(Gene Expression Programming)是一种基于生物基因结构和功能发明的一种新型自适应演化算法。GEP 是从遗传算法（geneticalgorithms ,简称GAs）和遗传程序设计（genetic pro2gramming ,简称GP）中发展而来，它在吸收了二者优点的同时,又克服了二者的不足之处，其显著特点就是可以利用简单编码解决复杂问题
2022-04-07 14:13:31
20.82MB
1
GTEx数据集（V8）的条件变量自动编码器
该项目旨在使用生成模型生成合成基因表达数据。 我们首先研究数据的3D表示形式以及可能要依据的变量，以便有效地分离分布。 当前模型以组织为条件。
组织着色的GTEx数据集（1000个随机基因）的3D表示形式（UMAP，TSNE，PCA）：
CVAE当前的重建质量，取决于组织。
基于：
对VAE方差损失论文： ， ，
项目进度：
基准模型创建
评估潜在空间中的均值，绝对差和分组的函数
模型调整
潜在空间大小
批次大小，学习率（应尽早确定时期数）
附加致密层的数量，每个附加层中神经元的数量
有条件的VAE模型（条件之一：组织或年龄）
b-VAE模型（损失函数中的MSE / KL散度权重）
相关的VAE（ ）
torch_model.py神经网络的层和属性
gtex_loder.py加载基因表达数据集
torch_train
2022-01-10 10:05:56
1.65MB
1
GEP
这是使用C ++实现的GEP算法，也就是“基因表达式编程”。。编译并执行程序需要有可以支持C ++ 11或更高版本的编译器，我本地编译采用的是GCC 10和CMake 3.20。
以我本地编译的方法为例：
$ cd build
$ cmake ../src
$ cmake --build .
顺利的话， build目录里面会生成可执行程序GEP.out 。如果采用其它的编译器或者编译套件，也可以简单地把src以及src下的子目录都设为搜索目录，然后执行编译即可。
程序运行效果（内部有随机初始化的步骤，每次执行结果会有区别）：
$ ./GEP.out
代数=0, 最大适应度=0.152698, 个体信息：(((((1.74247*1.12861)+(1.26272*2.77195))*((2.95397*2.24401)+(2.4401-1.67824)))*(((3.22668
2021-06-21 14:05:33
12KB
1