17083

الگوريتم moanna

1401

جواد وحيدي

طبقه‌بندي سرطان، بينش‌هاي ارزشمندي را در مطالعه از تنوع سرطان فراهم مي‌كند و گامي اساسي در راستاي پزشكي شخصي‌سازي است. به عنوان مثال، مطالعات در سرطان پستان نشان داده‌اند كه زيرنوع‌هاي سرطان بر اساس تفاوت‌هاي مولكولي با بقاي بيمار و پاسخ به درمان متفاوت همراه هستند. با اين حال، مطالعات اخير نشان داده‌اند كه طبقه‌بندي هاي نوعي از سرطان پستان با استفاده از رويكردهاي جايگزين نامتناسب است، كه اين نشان مي‌دهد كه روش‌هاي فعلي هنوز بهينه نشده‌اند. روش‌هاي محاسباتي موجود نيز به دليل وابستگي به دانش ناقص قبلي و عدم اثربخشي در رفتار داده‌هاي بعد بالا فراتر از بيان ژن محدود شده‌اند. در اينجا، ما يك الگوريتم جديد بر پايه يادگيري عميق به نام Moanna پيشنهاد مي‌دهيم كه براي پيش‌بيني زيرنوع‌هاي سرطان پستان با استفاده از داده‌هاي چنداميك ايجاد شده است. ساختار Moanna شامل يك خودكدنده نيمه نظارتي متصل به يك شبكه يادگيري چند وظيفه‌اي براي تعميم شبكه از تركيب داده‌هاي بيان ژن، تعداد نسخه و داده‌هاي جسمي است. ما Moanna را روي زيرمجموعه اي از مجموعه داده سرطان پستان METABRIC آموزش داديم و عملكرد آن را در نمونه هاي ديگر METABRIC و يك گروه كاملاً مستقل از نمونه‌هاي TCGA ارزيابي كرديم. ما استفاده رمزگذار خودكار را در مقابل تكنيك هاي كاهش بعد ديگر ارزيابي كرديم و برتري آن در يادگيري الگوهاي مرتبط با زيرنوع‌هاي سرطان پستان نشان داديم. همچنين، مدل كلي Moanna در پيش‌بيني وضعيت ER نمونه ها (96٪)، تفكيك نمونه هاي basal-like (98٪) و طبقه بندي نمونه ها به زيرنوع هاي PAM50 (85٪) دقت بالايي داشت. علاوه بر اين، زيرنوع‌هاي پيش‌بيني شده توسط Moanna با زندگي بيماران در مقايسه با زيرنوع‌هاي اوليه PAM50 به شدت همبستگي داشتند.

5/6/2024 12:00:00 AM

90477

1405/03/14

moanna algorithm

الگوريتم , سرطان

algorithm , cancer