Abstract
У статті представлено розробку та застосування гібридної моделі для оцінювання ефективності метрик близькості у високорозмірних даних експресії генів, яка інтегрує методи інтелектуального аналізу даних та машинного навчання в єдиній комплексній структурі. Основна увага приділяється порівняльному аналізу кореляційної відстані, метрик, заснованих на взаємній інформації, та метрики Васерштейна, з метою визначення їхньої ефективності для завдань кластеризації та класифікації. Отримані результати демонструють, що кореляційна відстань і метрика Васерштейна забезпечують високу точність та стабільність, що робить їх придатними для інтеграції з діагностичними системами. Для підвищення надійності класифікації реалізовано стекінг-модель, яка компенсує можливі помилки кластеризації та забезпечує стабільну продуктивність незалежно від використаної метрики та структури кластерів. Запропонований конвеєр обробки даних забезпечує автоматизований, стандартизований і масштабований аналіз великих масивів даних експресії генів, що узгоджується із принципами персоналізованої медицини. Завдяки можливості ранньої діагностики захворювань та підтримці розроблення індивідуальних стратегій лікування отримані результати мають велике значення для вдосконалення сучасних діагностичних систем у межах концепції прецизійної медицини. Застосування гібридних підходів дозволяє ефективно поєднувати переваги різних методів оцінювання подібності та класифікації, що сприяє підвищенню точності прогнозування на основі даних експресії генів. Запропонований методологічний підхід може бути використаний у біоінформатиці для аналізу складних біологічних систем, оптимізації процесів обробки генетичних даних і розроблення нових алгоритмічних рішень у сфері медичної діагностики. Такий підхід сприяє адаптації сучасних інформаційних технологій для виявлення біомаркерів захворювань, що забезпечує інтеграцію отриманих результатів у клінічну практику та підтримує розвиток персоналізованих методів лікування.