دوره 8، شماره 3 - ( 9-1400 )
جلد 8 شماره 3 صفحات 281-270 |
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:
Eskandarian P, Bagherzadeh Mohasefi J, Pirnejad H, Niazkhani Z. Multivariate Feature Extraction for Prediction of Future Gene Expression Profile. jhbmi 2021; 8 (3) :270-281
URL: http://jhbmi.ir/article-1-610-fa.html
URL: http://jhbmi.ir/article-1-610-fa.html
اسکندریان پریناز، باقرزاده محاسفی جمشید، پیرنژاد حبیب اله، نیازخانی زهرا. استخراج ویژگی چندمتغیره برای پیشبینی ماتریس بیان ژنی آینده. مجله انفورماتیک سلامت و زیست پزشکی. 1400; 8 (3) :270-281
دکتری مهندسی نرم‌افزار، دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران
چکیده: (6978 مشاهده)
مقدمه: ویژگی‌های یک سلول را می‌توان با بررسی ماتریس بیان ژنی مربوط به آن سلول تعیین کرد. اگر بتوان ماتریسهای بیان ژنی مربوط به سلول‌های فرزند آینده را پیشبینی کرد، در حقیقت ویژگی‌های سلول‌های آینده پیشبینی شده‌اند. هدف مطالعه حاضر، طراحی یک شبکه عصبی مصنوعی برای پیشبینی ماتریسهای بیان ژنی برای سلول‌های فرزندی است که از تقسیم/تمایز سلول‌های بنیادی هماتوپویتیک در آینده به دست خواهند آمد.
روش: شبکه عصبی طراحیشده ماتریس بیان ژنی یک سلول بنیادی هماتوپویتیک والد را به عنوان ورودی می‌گیرد و ماتریسهای بیان ژنی مربوط به سلول‌های فرزند آینده آن را تولید می‌کند. یک کدگذار زمانی برای کدگذاری سری زمانی اصلی و یک کدگذار مکانی برای کدگذاری سری‌های زمانی ثانویه پیشنهاد می‌شود.
نتایج: برای آن که پیشبینی قابل پذیرشی انجام شود، باید ماتریسهای بیان ژنی مربوط به دستکم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحیشده از نظر خطای پیشبینی و تعداد مراحل تقسیم/تمایز که به درستی پیشبینی شده باشند، نسبت به شبکههای عصبی موجود بهتر عمل می‌کند. طرح پیشنهادی این مطالعه میتواند پیشبینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیشبینی 1، 4، 16، 64 و 128 مرحله از تقسیم/تمایز به ترتیب برابر با 3/04، 3/76، 5/5، 7/83، و 11/06 درصد بوده است.
نتیجه‌گیری: با داشتن ماتریس بیان ژنی مربوط به یک سلول هماتوپویتیک والد می‌توان ماتریسهای بیان ژنی مربوط به فرزندان آن را تا صدها مرحله از تقسیم/تمایز پیشبینی کرده و در صورت لزوم، به موقع چاره‌ای برای روبه‌رو شدن با مشکلات ژنتیکی آینده اندیشید.
روش: شبکه عصبی طراحیشده ماتریس بیان ژنی یک سلول بنیادی هماتوپویتیک والد را به عنوان ورودی می‌گیرد و ماتریسهای بیان ژنی مربوط به سلول‌های فرزند آینده آن را تولید می‌کند. یک کدگذار زمانی برای کدگذاری سری زمانی اصلی و یک کدگذار مکانی برای کدگذاری سری‌های زمانی ثانویه پیشنهاد می‌شود.
نتایج: برای آن که پیشبینی قابل پذیرشی انجام شود، باید ماتریسهای بیان ژنی مربوط به دستکم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحیشده از نظر خطای پیشبینی و تعداد مراحل تقسیم/تمایز که به درستی پیشبینی شده باشند، نسبت به شبکههای عصبی موجود بهتر عمل می‌کند. طرح پیشنهادی این مطالعه میتواند پیشبینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیشبینی 1، 4، 16، 64 و 128 مرحله از تقسیم/تمایز به ترتیب برابر با 3/04، 3/76، 5/5، 7/83، و 11/06 درصد بوده است.
نتیجه‌گیری: با داشتن ماتریس بیان ژنی مربوط به یک سلول هماتوپویتیک والد می‌توان ماتریسهای بیان ژنی مربوط به فرزندان آن را تا صدها مرحله از تقسیم/تمایز پیشبینی کرده و در صورت لزوم، به موقع چاره‌ای برای روبه‌رو شدن با مشکلات ژنتیکی آینده اندیشید.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1400/4/15 | پذیرش: 1400/9/24
دریافت: 1400/4/15 | پذیرش: 1400/9/24
فایل صوتی [MP3 1015 KB] (56 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
