BOLIMES：Boruta 和 LIME 优化的基因表达分类特征选择

基因表达分类是生物信息学中的关键且具有挑战性的任务，主要由于基因组数据的高维度和过拟合风险。为弥合这一差距，我们提出 BOLIMES，一个新颖的特征选择算法，旨在通过系统性地细化特征子集来增强基因表达分类。与传统仅依赖统计排序或基于分类器的选择的方法不同，我们整合了 Boruta 的鲁棒性和 LIME 的可解释性，确保仅保留最相关且最具影响力的基因。BOLIMES 首先采用 Boruta 通过将每个特征与其随机对手进行比较来过滤掉非信息性基因，从而保留有价值的信息。随后使用 LIME 根据其对分类器的局部重要性对剩余基因进行排序。最后通过迭代分类评估确定最优特征子集，即选择预测准确率最大化的基因数量。通过将穷尽的特征选择与可解释性驱动的细化相结合，我们的解决方案有效平衡了维度简化与高分类性能，为高维基因表达分析提供了强大的解决方案。