fa بهبود تخمین اثر بیولوژیکی ملکول‌های مهارکننده پروتئین کیناز، با استفاده از شبکه عصبی و مینیمم خطای جزئی بیوانفورماتیک Bioinformatics پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong><span style="color:black;">مقدمه:</span></strong><span style="color:black;"> پروتئین کیناز عامل ایجاد بسیاری از بیماری</span><span style="color:black;">‌</span><span style="color:black;">ها 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 مدل</span><span style="color:black;">‌</span><span style="color:black;">های محاسباتی قابل اطمینان برای شناسایی مهار‌کننده</span><span style="color:black;">‌</span><span style="color:black;">ها 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 آن</span><span style="color:black;">‌</span><span style="color:black;">ها است.</span><span dir="LTR"><span style="color:black;"></span></span><br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> در این پژوهش، پس از استخراج توصیفگرها از داده</span><span style="color:black;">‌</span><span style="color:black;">ها، به منظور جلوگیری از بیش برازش مدل</span><span style="color:black;">‌</span><span style="color:black;">ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده</span><span style="color:black;">‌</span><span style="color:black;">ها در کلاس فعال و غیر فعال از مدل</span> <span style="color:black;">شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول</span><span style="color:black;">‌</span><span style="color:black;">ها از مدل رگرسیون خطی مینیمم خطای جزئی استفاده شد.</span><span style="font-family:B Mitra;"></span><br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از 74/45%&nbsp; 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.<span dir="LTR"></span><br> <strong>نتیجه‌گیری:</strong> 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.<span dir="LTR"></span></span></div> <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong>Introduction:</strong> Protein kinase causes many diseases, including cancer; therefore, inhibiting them plays an important role in the treatment of many diseases. Traditional discovery inhibitors of this enzyme is a time-consuming and costly process. Finding a reliable computer-aided drug discovery tools which can detect the inhibitors will reduce the cost. In this study, it is attempted to separate kinase inhibitors into two groups, active and inactive, using artificial neural network&nbsp; and finally predict biological activities of the predicted active compounds by partial least square .<br> <strong>Method:</strong> In this study, after extracting the molecular descriptors in order to avoid overfitting problem, dimensional reduction was applied using Genetic algorithm. Moreover, artificial neural network was applied to distinguish active compounds from inactive ones and the biological activities of the small molecules were predicted using partial least square linear regression.<br> <strong>Results:</strong> The results show that accuracy of the Neural networkmodel was improved from 74.45% to 86.7%, after reducing molecular descriptor dimensions. . The number of hidden nodes of this model was six with 86.7% accuracy, 83.4% sensitivity, 89.6% specificity and 73.2% Mathew&#39;s correlation coefficient. Moreover the partial least square linear regression model predicts the biological activity valuesby 85.8% correlation.<br> <strong>Conclusion</strong>: The Neural network model and the partial least square linear regression model can sufficiently predict Kinase inhibitors and Genetic algorithm will improve the models performance</span></div> <p class="SectionContent"><span style="font-size:10.0pt;line-height:150%"></span></p> <p class="SectionContent"><span style="font-size:10.0pt;line-height:150%"></span></p> پروتئین کیناز, طبقه‌بندی, شبکه عصبی, رگرسیون, مینیمم خطای جزئی Protein kinase, Classification, Neural network, Regression, partial least square 30 39 http://jhbmi.ir/browse.php?a_code=A-10-536-1&slc_lang=fa&sid=1 Roya Arian رویا آرین royaarian101@yahoo.com 10031947532846005451 10031947532846005451 No M.Sc. in Bioelectrics, Bioelectrics Dept., School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran کارشناسی ارشد بیوالکتریک، گروه بیوالکتریک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Alireza Mehri Dehnavi علیرضا مهری دهنوی mehri@med.mui.ac.ir 10031947532846005452 10031947532846005452 No Ph.D. in Bioelectrics, Professor, Bioelectrics Dept., School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran دکترای تخصصی بیوالکتریک، استاد، گروه بیوالکتریک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Fahimeh Ghasemi فهیمه قاسمی f_ghasemi@amt.mui.ac.ir 10031947532846005453 10031947532846005453 Yes Ph.D. in Bioelectrics, Assistant Professor, Bioinformatics Dept., School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran دکترای تخصصی بیوالکتریک، استادیار‌، گروه بیوانفورماتیک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران