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

پیش‌بینی دقیق سمیت مواد شیمیایی یکی از چالش‌های مهم در حوزه ایمنی و سلامت است. در این پژوهش، یک چارچوب هوشمند برای طبقه‌بندی دقیق‌تر مواد شیمیایی بر اساس سمیت دهانی ارائه شده است. روش پیشنهادی از ترکیب الگوریتم بهینه‌سازی گرگ خاکستری و شبکه عصبی بازگشتی بهره می‌برد. مجموعه داده مورد استفاده شامل 8992 ماده شیمیایی با 1024 ویژگی دودویی اثر انگشت مولکولی است که به دو کلاس بسیار سمی و نه چندان سمی تقسیم شده‌اند. در مرحله اول، از الگوریتم گرگ خاکستری برای انتخاب بهینه زیرمجموعه‌ای از ویژگی‌های موثر استفاده شده است. این الگوریتم با شبیه‌سازی رفتار هوشمندانه گرگ‌های خاکستری در طبیعت، قادر به شناسایی موثرترین ویژگی‌های مولکولی مرتبط با سمیت است. در مرحله دوم، همان الگوریتم گرگ خاکستری برای بهینه‌سازی پارامترهای حیاتی شبکه عصبی بازگشتی شامل تعداد نورون‌ها، نرخ یادگیری، نوع سلول بازگشتی، تابع فعال‌سازی، طول توالی ورودی، اندازه بچ، نوع بهینه ساز و تعداد لایه ها به کار گرفته شده است. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های متداول، موفق به دستیابی به دقت بالاتر و نرخ خطای پایین‌تری شده است. مهم‌ترین مزیت این روش، توانایی همزمان در انتخاب ویژگی‌های بهینه و تنظیم پارامترهای مدل است که منجر به بهبود قابل توجه عملکرد طبقه‌بندی می‌شود. این پژوهش گامی موثر در جهت توسعه سیستم‌های هوشمند پیش‌بینی سمیت مواد شیمیایی با قابلیت اطمینان بالا و هزینه محاسباتی بهینه محسوب می‌شود. کاربردهای عملی این تحقیق در حوزه‌های طراحی دارو، ارزیابی ایمنی مواد شیمیایی و پایش محیط زیست قابل تصور است. کاهش ابعاد داده و افزایش دقت طبقه‌بندی از طریق رویکرد پیشنهادی، امکان تحلیل مجموعه داده‌های بزرگ شیمیایی را با کارایی بالاتر فراهم می‌کند.