fa استخراج ویژگی چندمتغیره برای پیش‌بینی ماتریس بیان ژنی آینده هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> 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.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>روش:</strong> 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.<br> <strong>نتایج:</strong> برای آن که پیش‌بینی قابل پذیرشی انجام شود، باید ماتریس&shy;های بیان ژنی مربوط به دست&shy;کم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحی&shy;شده از نظر خطای پیش‌بینی و تعداد مراحل تقسیم/تمایز که به درستی پیش‌بینی شده باشند، نسبت به شبکه&shy;های عصبی موجود بهتر عمل می‌کند. طرح پیشنهادی این مطالعه می&shy;تواند پیش‌بینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیش&shy;بینی 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.<br> <strong>نتیجه‌گیری:</strong> 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.</span></span></span></span><span style="color:black;"><span style="font-family:B Mitra;"><span style="font-size:12.0pt;"> </span></span></span><span dir="LTR"><span style="color:black;"></span></span></div> <strong><span dir="LTR"></span></strong> <div style="text-align: justify;"><span style="line-height:2;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> The features of a cell can be extracted from its gene expression profile. If the gene expression profiles of future descendant cells are predicted, the features of the future cells are also predicted. The objective of this study was to design an artificial neural network to predict gene expression profiles of descendant cells that will be generated by division/differentiation of hematopoietic stem cells.<br> <strong>Method:</strong> The developed neural network takes the parent hematopoietic stem cell&rsquo;s gene expression profile as input and generates the gene expression profiles of its future descendant cells. A temporal attention was proposed to encode the main time series and a spatial attention was also provided to encode the secondary time series.<br> <strong>Results:</strong> To make an acceptable prediction, the gene expression profiles of at least four initial division/differentiation steps must be known. The designed neural network surpasses the existing neural networks in terms of prediction accuracy and number of correctly predicted division/differentiation steps. The proposed scheme can predict hundreds of division/differentiation steps. The proposed scheme&rsquo; error in prediction of 1, 4, 16, 64, and 128 division/differentiation steps was 3.04, 3.76, 5.5, 7.83, and 11.06 percent, respectively.<br> <strong>Conclusion:</strong> Based on the gene expression profile of a parent hematopoietic stem cell, the gene expression profiles of its descendants can be predicted for hundreds of division/differentiation steps and if necessary, solutions must be sought to encounter future genetic disorders.</span></span></span></span></div> سلول بنیادی هماتوپویتیک, شبکه عصبی, سری زمانی چندمتغیره, ماتریس بیان ژنی, پیش‌بینی Hematopoietic Stem Cell, Neural Network, Multivariate Time Series, Gene Expression Profile, Prediction 270 281 http://jhbmi.ir/browse.php?a_code=A-10-818-1&slc_lang=fa&sid=1 Parinaz Eskandarian پریناز اسکندریان p_eskandarian@yahoo.com 10031947532846009741 10031947532846009741 No Ph.D. Candidate in Computer Engineering, Department of Computer Engineering, Urmia Branch, Islamic Azad University, Urmia, Iran دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، واحد ارومیه، ‌دانشگاه آزاد اسلامی، ارومیه، ایران Jamshid Bagherzadeh Mohasefi جمشید باقرزاده محاسفی j.bagherzadeh@urmia.ac.ir 10031947532846009742 10031947532846009742 Yes Ph.D. in Software Engineering, Associate Professor, Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran دکتری مهندسی نرم‌افزار، دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران Habibollah Pirnejad حبیب اله پیرنژاد pirnejad.h@umsu.ac.ir 10031947532846009743 10031947532846009743 No Ph.D. in Medical Informatics, Associate Professor, Patient Safety Research Center, Clinical Research Institute, Urmia University of Medical Sciences, Urmia, Iran دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات ایمنی بیمار، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران Zahra Niazkhani زهرا نیازخانی niazkhani.z@umsu.ac.ir 10031947532846009744 10031947532846009744 No Ph.D. in Medical Informatics, Associate Professor, Nephrology and Kidney Transplant Research Center, Clinical Research Institute, Urmia University of Medical Sciences, Urmia, Iran دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات نفرولوژی و پیوند کلیه، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران