پریناز اسکندریان، جمشید باقرزاده محاسفی، حبیب اله پیرنژاد، زهرا نیازخانی،
دوره ۸، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
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 ۱، ۴، ۱۶، ۶۴ و ۱۲۸ مرحله از تقسیم/تمایز به ترتیب برابر با ۳/۰۴، ۳/۷۶، ۵/۵، ۷/۸۳، و ۱۱/۰۶ 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.
امیر ثریائی آذر، سمانه رضائی، جمشید باقرزاده محاسفی، زهرا نیازخانی، حبیب الله پیرنژاد،
دوره ۱۰، شماره ۲ - ( ۶-۱۴۰۲ )
چکیده
مقدمه: بیماری آلزایمر یکی از شایع‌ترین اختلال‌های زوال مغز در بزرگسالان است. ماهیت پیش‌رونده آلزایمر باعث بروز آسیب گسترده به قسمت‌های مغز می‌شود و تشخیص زودرس میتواند در مدیریت بیماری و کاهش سرعت پیشرفت آن مؤثر باشد.
روش: در این مطالعه، از یک مجموعه داده مربوط به پیشبینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده‌ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده‌سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل‌ها از ۵-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل‌های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد.
نتایج: مدل‌های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر ۹۸/۶۱% و امتیاز-اف۱ ۹۸/۶۰% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی‌های تأثیرگذار در تصمیم‌گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل‌های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر ۳۵/۹۵% سریع‌تر بود.
نتیجه‌گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین، توانایی پیشبینی زودهنگام بیماری را داشته باشد بیشتر احساس می‌شود. بدین منظور، مدل‌های یادگیری ماشین پیشنهادی این مطالعه، می‌توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم‌گیری پزشکان به جهت پیشبینی زودهنگام بیماری آلزایمر کمک نمایند.
