TY - JOUR T1 - Multivariate Feature Extraction for Prediction of Future Gene Expression Profile TT - استخراج ویژگی چندمتغیره برای پیش‌بینی ماتریس بیان ژنی آینده JF - jhbmi JO - jhbmi VL - 8 IS - 3 UR - http://jhbmi.ir/article-1-610-fa.html Y1 - 2021 SP - 270 EP - 281 KW - Hematopoietic Stem Cell KW - Neural Network KW - Multivariate Time Series KW - Gene Expression Profile KW - Prediction N2 - 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. M3 ER -