13740

طبقه‌بندي چند كلاسه‌اي سرطان و شناسايي نشانگر زيستي با استفاده از يادگيري عميق

1401

دكتر جواد وحيدي

-

تجزيه و تحليل عملكردهاي سلولي كه اختلال در آنها منجر به بروز انواع مختلف سرطان مي شود، مهم است . پيچيدگي‌هاي كار با ژن‌ها در انواع مختلف داده‌ها براي تشخيص سرطان به كمك فناوري توالي‌يابي كاهش يافته است، اما با اين حال تشخيص، پيش‌آگاهي و درمان اين بيماري هنوز سخت است. ظهور فناوري يادگيري ماشين، به محققان در انجام وظايف يادگيري تحت نظارت و بدون نظارت همراه با شناسايي ژن كمك شاياني كرد، اما اين تدبير نيز به طور روشن ، رضايت بخش نبوده است. اين تحقيق حول طبقه بندي چندكلاسه‌اي سرطان ، استخراج ويژگي و شناسايي ژن مربوطه از طريق روش هاي يادگيري عميق براي 12 نوع مختلف سرطان با استفاده از RNA-SEQ از The Cancer Genome Atlas مي باشد. رشد و پيشرفت اين سرطان‌ها با استفاده از منابع سخت افزاري كارآمد، محدود شده است و آزمايش هايي كه در حوزه‌ي آنها انجام شده، نتايج اميدواركننده اي را نشان داده است. Autoencoderهاي مورد استفاده در حوزه‌ي حذف نويز انباشته، به منظور استخراج ويژگي و شناسايي نشانگرهاي زيستي در جايي كه همزمان با آنها، شبكه هاي عصبي كانولوشنال 1 بعدي براي طبقه بندي استفاده شده‌اند، مورد بهره‌برداري مجدد قرار مي‌گيرند. طبقه‌بندي با استفاده از ويژگي‌هاي استخراج‌شده و ژن‌هاي مربوطه انجام مي‌شود كه ميانگين عملكرد آنها به‌ترتيب حدود 94 و 95 درصد بوده است. ما توانستيم مسيرهاي عمومي مرتبط با سرطان و ژن‌هاي مرتبط با آن‌ها را از طريق Autoencoderهاي مورد استفاده در حوزه‌ي حذف نويز انباشته كه ماتريس وزن و ويژگي‌هاي توليد شده را ايجاد كردند، شناسايي كنيم.مسيرهاي رايج شامل مسير سيگنالينگ WNT و Angiogenesis. علاوه بر اين، در تمام مسيرها، برخي از ژن‌هاي عودكننده از جمله: PIK3C2G، PCDHB8، WNT10A مشاهده شدند كه اين ژن‌ها، با استناد به مقالات، در انواع مختلف سرطان دخيل بودند. رويكرد پيشنهادي از نظر دقت و شناسايي ژن مربوطه، عملكرد برتر و نويدبخشي را در برابر تكنيك‌هاي سنتي مورد استفاده توسط جامعه بيوانفورماتيك نشان مي‌دهد.

10/15/2022 12:00:00 AM

83621

1403/06/27

Multi-Class Cancer Classification and Biomarker Identification using Deep Learning

تشخيص رسطان، پيشگريي از رسطان، درمان هدفمند، پزشيك دقيق

Cancer Detection, Cancer Prevention, Targeted Therapy, Precision Medicine