دوره 7، شماره 1 - ( 3-1399 )
جلد 7 شماره 1 صفحات 39-30 |
برگشت به فهرست نسخه ها
دکترای تخصصی بیوالکتریک، استادیار، گروه بیوانفورماتیک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
چکیده: (3036 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.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |