شناسايي ارتباطات ميان RNAهاي غيركدكننده و بيماري‌ها با استفاده از يادگيري تقابلي گراف

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

بررسي بيماري‌هاي با منشا مرتبط با موجوديت‌هاي ژني، از ديرباز به‌طور جدي مورد توجه پژوهش‌گران حوزه‌ي زيست‌پزشكي بوده‌است. در ساليان اخير، با مشخص شدن مشاركت RNAهاي غيركدكننده در فرآيندهاي سلولي و نقش محوري آن‌ها در تنظيم سلولي، تاثير مستقيم آن‌ها در بروز بيماري‌ها نيز آشكار شد. شناخت هرچه سريع‌تر اين روابط مي‌تواند در تشخيص، پيشگيري از بروز و نحوه‌ي درمان اين بيماري‌ها بسيار مؤثر واقع شود. شيوه‌هاي آزمايشگاهي در جهت تشخيص موجوديت‌هاي ژني عامل بيماري، به دليل صرف هزينه هاي هنگفت و همچنين نياز به زمان بسيار زياد، پاسخگوي نيازهاي امروزي نيستند. بر همين اساس، استفاده از رويكردهاي محاسباتي در شناسايي ويژگي هاي ژنومي بيماري‌زا، به‌عنوان راه‌حلي اثرگذار، كم‌هزينه و نيازمند صرف زمان بسيار كمتر معرفي شدند. در اين ميان، رويكردهاي مبتني بر يادگيري بازنمايي گراف، با تمركز بر استفاده از اطلاعات ساختاري شبكه‌هاي مختلف تعاملات ژن-بيماري، امروزه از توجه بسيار بالايي برخوردارند. با وجود برتري نتايج اين دسته از رويكردها به نسبت روش‌هاي پيشين در تشخيص عوامل ژني مرتبط با بيماري‌ها، همچنان طيف وسيعي از اطلاعات توصيفي قابل دسترس در پايگاه‌هاي داده‌ي بزرگ در مورد موجوديت‌هاي ژني و بيماري‌ها مورد استفاده قرار نمي‌گيرند. در اين پژوهش، ما با ارائه‌ي يك روش جديد يادگيري تقابلي مبتني بر شبكه‌هاي عصبي گراف، سعي در تشخيص روابط ميان RNAهاي غير كدكننده و بيماري‌ها داريم. هدف مدل پيشنهادي ما بهره‌گيري از اطلاعات توصيفي متناظر با موجوديت‌هاي ژني و بيماري‌ها و يك‌پارچه‌سازي آن‌ها با اطلاعات ساختاري موجود در شبكه‌هاي تعاملات ژنومي، در جهت انجام سه وظيفه‌ي كاملا مجزاي تشخيص RNAهاي غيركدكننده‌ي بلند مرتبط با بيماري (LDA)، تشخيص RNAهاي غير كدكننده‌ي كوتاه عامل بيماري (MDA) و پيش‌بيني تعاملات ميان اين دو دسته از RNAها (LMI) به‌صورت همزمان مي‌باشد. نتايج حاصل از ارزيابي روش ارائه‌شده، حاكي از افزايش دقت مدل ما در مقايسه با بهترين نتايج روش‌هاي پيشين به ميزان 2.59%، 2.14% و 0.17%، به ترتيب در هر سه حوزه‌ي LDA، MDA و LMI مي‌باشد.

230663

نرم‌افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان