دوره 7، شماره 1 - ( 3-1399 )
جلد 7 شماره 1 صفحات 39-30 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Arian R, Mehri Dehnavi A, Ghasemi F. Improving biological activity prediction of protein kinase inhibitors using artificial neural network and partial least square methods. jhbmi 2020; 7 (1) :30-39
URL: http://jhbmi.ir/article-1-391-fa.html
URL: http://jhbmi.ir/article-1-391-fa.html
آرین رویا، مهری دهنوی علیرضا، قاسمی فهیمه. بهبود تخمین اثر بیولوژیکی ملکول‌های مهارکننده پروتئین کیناز، با استفاده از شبکه عصبی و مینیمم خطای جزئی. مجله انفورماتیک سلامت و زیست پزشکی. 1399; 7 (1) :30-39
دکترای تخصصی بیوالکتریک، استادیار، گروه بیوانفورماتیک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده: (3714 مشاهده)
مقدمه: پروتئین کیناز عامل ایجاد بسیاری از بیماری‌ها از جمله سرطان است؛ بنابراین مهار آن ها در درمان بسیاری از بیماری‌ها نقش بسزایی ایفا می‌کند. کشف داروهای جدید با روش‌های آزمایشگاهی، از جمله موضوعات هزینه بردار و زمان‌بر می‌باشد؛ یافتن مدل‌های محاسباتی قابل اطمینان برای شناسایی مهار‌کننده‌ها می‌تواند هزینه‌ها را به حداقل برساند. هدف از این مطالعه به کار‌گیری روش شبکه عصبی جهت طبقه‌بندی ترکیبات در دو گروه فعال و غیر فعال و مدل رگرسیون خطی مینیمم خطای جزئی به منظور تخمین میزان اثر بیولوژیکی آن‌ها است.
روش: در این پژوهش، پس از استخراج توصیفگرها از داده‌ها، به منظور جلوگیری از بیش برازش مدل‌ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده‌ها در کلاس فعال و غیر فعال از مدل شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول‌ها از مدل رگرسیون خطی مینیمم خطای جزئی استفاده شد.
نتایج: نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از 74/45% به 86/7% تغییر یافت. این مدل در تعداد گره‌های لایه پنهان برابر با 6، صحت 86/7%، حساسیت 83/4%، اختصاصی بودن 89/6% و ضریب همبستگی متیو 73/2% را ارائه می‌دهد. مدل رگرسیون خطی مینیمم خطای جزئی نیز با میزان همبستگی متوسط 85/8% مقادیر بیولوژیکی را تخمین می‌زند.
نتیجه‌گیری: مدل طبقه‌بندی شبکه عصبی و مدل رگرسیون خطی مینیمم خطای جزئی تا میزان قابل قبولی می‌توانند مهارکننده‌های پروتئین کیناز را پیش‌بینی کنند و الگوریتم کاهش بعد ژنتیک عملکرد این مدل‌ها را بهبود می‌بخشد.
روش: در این پژوهش، پس از استخراج توصیفگرها از داده‌ها، به منظور جلوگیری از بیش برازش مدل‌ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده‌ها در کلاس فعال و غیر فعال از مدل شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول‌ها از مدل رگرسیون خطی مینیمم خطای جزئی استفاده شد.
نتایج: نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از 74/45% به 86/7% تغییر یافت. این مدل در تعداد گره‌های لایه پنهان برابر با 6، صحت 86/7%، حساسیت 83/4%، اختصاصی بودن 89/6% و ضریب همبستگی متیو 73/2% را ارائه می‌دهد. مدل رگرسیون خطی مینیمم خطای جزئی نیز با میزان همبستگی متوسط 85/8% مقادیر بیولوژیکی را تخمین می‌زند.
نتیجه‌گیری: مدل طبقه‌بندی شبکه عصبی و مدل رگرسیون خطی مینیمم خطای جزئی تا میزان قابل قبولی می‌توانند مهارکننده‌های پروتئین کیناز را پیش‌بینی کنند و الگوریتم کاهش بعد ژنتیک عملکرد این مدل‌ها را بهبود می‌بخشد.
فایل صوتی [MP3 1894 KB] (111 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
