|
مرتضی رخشانی‌نژاد دانشجوی دکتری رشته مهندسی فناوری اطلاعات، از رساله خود با عنوان «توسعه مدل تشخیص سرطان پستان و تجویز درمان مناسب با استفاده از داده‌های ژنومیک و الگوریتم‌های یادگیری ماشین» به راهنمایی آقای دکتر فتحیان ۱۴مهر ماه ۱۴۰۳ ساعت ۱۳:۳۰ دفاع خواهد نمود.
استاد راهنما: آقای دکتر محمد فتحیان
استاد مشاور: خانم دکتر فرناز برزین‌پور - آقای دکتر رضا شیرکوهی (دانشگاه علوم پزشکی تهران)
اساتید داور داخلی: آقای دکتر روزبه قوسی - آقای دکتر محمدرضا رسولی
اساتید داور خارجی: آقای دکتر عباس احمدی (دانشگاه صنعتی امیرکبیر) - آقای دکتر سیدکمال چهارسوقی (دانشگاه تربیت مدرس)
زمان دفاع: ۱۴ مهر ماه ۱۴۰۳- ساعت ۱۳:۳۰- کلاس ۲۰۸ ( طبقه دوم دانشکده)
چکیده:
سرطان پستان یکی از شایع‌ترین انواع سرطان در زنان به‌شمار می‌رود که تشخیص زودهنگام و درمان آن نیازمند بهره‌گیری از روش‌های محاسباتی پیشرفته و تحلیل داده‌های زیستی است. هدف اصلی این رساله، توسعهٔ یک چارچوب چندمرحله‌ای و جامع مبتنی بر یادگیری ماشین، الگوریتم‌های فراابتکاری و روش‌های کمی‌سازی عدم‌قطعیت برای شناسایی نشانگرهای زیستی و پیشنهاد درمان‌های دقیق برای سرطان پستان می‌باشد. نوآوری اصلی این پژوهش در سه بخش نهفته است: نخست، طراحی الگوریتم ترکیبی جدید BGWO_SA_Ens و مدل انتخاب ویژگی مبتنی بر الگوریتم خودرمزگذار برای انتخاب ژن‌های کلیدی؛ دوم، بهبود مدل‌های یادگیری عمیق برای پیش‌بینی تعامل دارو–پروتئین با استفاده از انتخاب پارامترهای بهینه که هم‌زمان میزان عدم قطعیت و دقت پیش‌بینی در آن‌ها در نظر گرفته شده است؛ سوم، استفاده از مدل‌های پیش‌بینی هم‌ساز برای افزودن لایه‌ای از تحلیل عدم‌قطعیت به‌منظور تبدیل نتایج مدل به بازه‌های اطمینان و فراهم‌کردن مبانی مورد نیاز یک سیستم تصمیم‌یار برای متخصصان. در گام نخست، مجموعه‌ای از داده‌های بیان ژن از پایگاه‌های معتبر گردآوری شد و با استفاده از الگوریتم‌های انتخاب ویژگی توسعه داده شده تعداد محدودی ژن با قابلیت تمایزبخشی بالا شناسایی گردید. سپس با تحلیل‌های زیستی مانند غنی‌سازی مسیرها و شبکه‌های پروتئینی، نقش زیستی و بالینی ژن‌های منتخب مورد بررسی قرار گرفت. در ادامه، داروهای مرتبط با این ژن‌ها از پایگاه‌های موجود استخراج شدند و با استفاده از مدل‌های یادگیری عمیق، پیش‌بینی تعامل دارو–هدف انجام گرفت. برای افزایش دقت و قابلیت اعتماد مدل، تنظیم پارامترها با استفاده از الگوریتم‌های چندهدفه NSGA-II و MOPSO صورت گرفت و نهایتاً با بهره‌گیری از روش‌های پیش‌بینی هم‌ساز، بازه‌های اطمینان برای پیش‌بینی‌ها محاسبه شد. بخش آخر به‌عنوان یک نوآوری مهم، امکان ارائهٔ نتایج همراه با میزان عدم‌قطعیت را فراهم ساخت که در کاربردهای بالینی بسیار ارزشمند است. نتایج تجربی نشان دادند که چارچوب پیشنهادی توانسته است به‌طور مؤثر ژن‌های کلیدی و داروهای بالقوه را شناسایی کرده و تعاملات دارویی را با دقت بالا و همراه با تخمین عدم‌قطعیت پیش‌بینی نماید. در مجموع، با تلفیق ژن‌های افتراقی و خروجی الگوریتم BGWO_SA_Ens، تعداد ۳۵ ژن برتر شناسایی شد که از میان آن‌ها ژن‌های TOP۲A AKR۱C۳، EZH۲، MMP۱، EDNRB، S۱۰۰B و SPP۱ نقش ویژه‌ای در پیش‌بینی سرطان پستان ایفا کردند. تحلیل‌های غنی‌سازی GO و KEGG نشان دادند که این ژن‌ها در مسیرهای کلیدی مرتبط با سرطان نظیر AMPK، Adipocytokine و PPAR نقش فعالی دارند. همچنین عملکرد مدل پیش‌بینی‌کننده بر اساس ژن‌های منتخب بسیار مطلوب ارزیابی شد، به‌طوری‌که مقدار F۱-score معادل ۰.۹۸۴ به‌دست آمد که نشان‌دهندهٔ دقت بالای مدل نهایی می‌باشد. بدین ترتیب، این پژوهش با تأکید بر نوآوری در ترکیب الگوریتم‌های فراابتکاری، یادگیری عمیق و کمی‌سازی عدم‌قطعیت، گامی مؤثر در جهت توسعهٔ پزشکی دقیق در حوزهٔ سرطان پستان برداشته است.
کلمات کلیدی: سرطان پستان، کشف نشانگرهای زیستی، یادگیری ماشین، الگوریتم‌های فراابتکاری ترکیبی، کمی‌سازی عدم قطعیت، پیش‌بینی تعاملات دارو-هدف |
ind.iust.ac.ir
