تحقق طبقه بندی ژن های انگیزاننده سرطان

به گزارش وبلاگ ورزشی چلسی، خبرگزاری خبرنگاران-طبقه بندی ژن های انگیزاننده سرطان با استفاده از انتشار رخنه گر و یادگیری بازنمایی در شبکه های تنظیم ژنی در قالب یک رساله دکترای تخصصی محقق شد.

تحقق طبقه بندی ژن های انگیزاننده سرطان

به گزارش خبرگزاری وبلاگ ورزشی چلسی، به نقل از روابط عمومی دانشگاه تربیت مدرس؛ پژوهشگران گروه مهندسی فناوری اطلاعات دانشگاه تربیت مدرس در پژوهشی به طبقه بندی ژن های انگیزاننده سرطان با استفاده از روش انتشار رخنه گر و یادگیری بازنمایی در شبکه های تنظیم ژنی پرداختند. نتایج حاصل از این پژوهش نشان داد که روش های پیشنهادی نسبت به سایر روش های محاسباتی و شبکه ای پیشین، عملکرد مناسب تری دارند.

سرطان از بیماری های مرگباری است که در آن سلول بدون کنترل و خارج از ساز وکار تنظیمی سلولی دچار رشد و تکثیر می گردد، در این بیماری بعضی ژن ها شروع نماینده ناهنجاری هستند و آن ها را به وسیله برهمکنش های پروتئینی به دیگر ژن ها منتقل می نمایند، توسعه این ناهنجاری ها باعث می گردد که سامانه تنظیمی سلول دچار اختلال گردد و بیماری های مختلف و به ویژه سرطان روی دهد؛ این ژن ها که شروع نماینده ناهنجاری در سلول هستند با نام ژن های انگیزاننده شناخته می شوند.

تا کنون روش های محاسباتی مختلفی برای شناسایی ژن های انگیزاننده سرطان معرفی شده است که بیشتر از مفهوم جهش و از داده های ژنومیک برای شناسایی ژن های انگیزاننده استفاده می نمایند، این روش ها اغلب دارای نرخ مثبت کاذب بالا و F-measure پایین در نتایج هستند، بعلاوه قادر به شناسایی تعداد محدودی از ژن های انگیزاننده هستند.

در این پژوهش که در قالب رساله دکترای تخصصی آقای مصطفی اخوان صفار در رشته مهندسی فناوری اطلاعات-مدیریت سیستم های اطلاعاتی انجام شد، ابتدا به آنالیز روش های محاسباتی و شبکه ای پیشین در مورد شناسایی ژن های انگیزاننده سرطان پرداخته شده، سپس سه روش نو مبتنی بر شبکه برای شناسایی ژن های انگیزاننده سرطان پیشنهاد شده است.

در این روش ها از مفهوم پایه ای انتشار رخنه گر در شبکه های جهت دار تنظیم ژنی، استفاده شده و برخلاف روش های پیشین به داده های جهش و ژنومیک وابسته نیستند، در هرکدام از روش های پیشنهادی، الگوریتم های پایه ای مورد استفاده در آن جهت اعمال در شبکه های تنظیم ژنی مناسب سازی شده و با داده های زیستی غنی سازی شده اند.

یکی از چالش های موجود در شبکه های تنظیم ژنی، یافتن قدرت برهمکنش های تنظیمی است، در این پژوهش با استفاده از مفهوم نفوذ در شبکه های اجتماعی و اصل تعادل جریان در نظریه شبکه، روشی نو برای وزن دهی برهم کنش های تنظیمی نیز پیشنهاد شده است.

بعلاوه علاوه بر روش های مبتنی بر انتشار رخنه گر، روشی برای شناسایی ژن های انگیزاننده پیشنهاد شد که قادر است با تبدیل مسئله شناسایی ژن های انگیزاننده، به یک مسئله طبقه بندی دودویی مبتنی بر انتشار در یادگیری ماشین، ژن های انگیزاننده سرطان را شناسایی کند، سپس نشان داده شد که با استفاده از روش های یادگیری بازنمایی می توان عملکرد مدل های طبقه بندی دودویی را بهبود بخشید و آن ها را در تحقیقات آینده بیشتر استفاده کرد.

برای این منظور الگوریتم های مختلف یادگیری بازنمایی دسته بندی شده است و از هر دسته چندین الگوریتم آزمایش و آنالیز شد، داده های مورد استفاده در این پژوهش شامل برهم کنش های تنظیمی جهت دار و داده های بیان ژن مربوط به سه بافت مختلف برای ساخت شبکه های تنظیم ژنی و نیز چهار مجموعه داده استاندارد ژن های انگیزاننده سرطان برای ارزیابی نتایج است، نتایج حاصل از روش های پیشنهادی، با 22 روش محاسباتی و شبکه ای دیگر مقایسه شده است.

نتایج این طرح نشان می دهد، روش های پیشنهادی نسبت به سایر روش های محاسباتی و شبکه ای پیشین عملکرد مناسب تری دارند، در مقایسه با برترین روش شبکه ای پیشین، برترین روش پیشنهادی از نظر تعداد ژن های انگیزاننده تشخیصی، در بافت های روده، ریه و سینه، با شناسایی 209، 199 و 203 ژن انگیزاننده سرطان به ترتیب 84، 40 و 97 درصد بهبود عملکرد داشته است.

بعلاوه از نظر شناسایی تعداد ژن های انگیزاننده منحصر به فردی که دیگر روش ها، آن ها را شناسایی نکرده اند، روش پیشنهادی در بافت ها روده، ریه و سینه با شناسایی 89، 147 و 99 ژن انگیزاننده سرطان منحصربه فرد، به ترتیب 51، 34 و 56 درصد بهبود عملکرد داشته است، ضمن اینکه در هر سه سرطان از لحاظ معیار F-measure نسبت به روش های پیشین عملکرد بالاتری دارد و از این نظر نیز در بافت های روده، ریه و سینه به ترتیب 15.42، 16.7 و 1.64 درصد بهبود داشته است.

بعلاوه نتایج نشان داد که استفاده از روش های یادگیری بازنمایی می تواند به بهبود عملکرد مدل طبقه بندی دودویی مبتنی بر انتشار یاری کند و در تحقیقات آینده بیشتر استفاده گردد، علاوه بر این با توجه به نتایج به دست آمده، الگوریتم های یادگیری بازنمایی مبتنی بر تجزیه ماتریس و روش های مبتنی بر مدل سازی یال برترین عملکرد را در شبکه های تنظیم ژنی دارد و برای استفاده در این شبکه ها مناسب تر هستند.

نتایج حاصل از این پژوهش نشان داد که روش های انتشار رخنه گر علاوه بر اینکه می تواند به حل مسئله شناسایی ژن های انگیزاننده سرطان در شبکه های تنظیم ژنی یاری کند، هم از نظر معیار های کارایی و هم از نظر تعداد ژن انگیزاننده شناسایی شده، باعث بهبود عملکرد روش های محاسباتی و شبکه ای پیشین نیز شده است.

بعلاوه معین شد که استفاده از رویکرد های یادگیری بازنمایی برای استفاده در مدل های طبقه بندی دودویی مبتنی بر انتشار باعث بهبود کارایی مدل ها می گردد و در این خصوص استفاده از الگوریتم های یادگیری بازنمایی مبتنی بر تجزیه ماتریس و الگوریتم های مبتنی بر مدل سازی یال نسبت به سایر الگوریتم های یادگیری بازنمایی، بالاترین عملکرد را در شبکه های تنظیم ژنی دارد.

این پژوهش با هدایت دکتر بابک تیمور پور عضو هیئت علمی دانشکده مهندسی صنایع و سیستم ها انجام شد.

منبع: خبرگزاری آریا

به "تحقق طبقه بندی ژن های انگیزاننده سرطان" امتیاز دهید

امتیاز دهید:

دیدگاه های مرتبط با "تحقق طبقه بندی ژن های انگیزاننده سرطان"

* نظرتان را در مورد این مقاله با ما درمیان بگذارید