یادگیری عمیق، زیست شناسی سرطان را متحول می کند
به گزارش آجاک، دیپ پروفایل (DeepProfile) یک چارچوب پیشرفته از روش های یادگیری عمیق است که پیچیدگی های بیان ژن را رمزگشایی و راه را برای درمان های شخصی سازی شده سرطان هموار می کند.
به گزارش گروه علمی ایرنا، وبگاه اَزو اِی آی در گزارشی آورده است: در مقاله ای که اخیرا در مجله نِیچِر بیومدیکال اِنجی نی یِرینگ (Nature Biomedical Engineering) انتشار یافته، محققان چارچوب جدیدی به نام دیپ پروفایل (DeepProfile) را معرفی کردند. این چارچوب از روش های یادگیری عمیق بدون نظارت برای تجزیه وتحلیل داده های بیان ژن از ۵۰ هزار و ۲۱۱ ترانسکریپتوم (مجموعه ای از مولکول های آراِن اِی) در ۱۸ سرطان انسان استفاده می نماید. هدف اصلی، افزایش دانش در رابطه با زیست شناسی سرطان برای تشخیص این بیماری و طراحی درمان های مؤثرتر برای آن است.
پیشرفت فناوری های تجزیه وتحلیل بیان ژن
تجزیه وتحلیل بیان ژن به صورت قابل ملاحظه ای پیشرفت کرده که دلیل اصلی آن پیدایش فناوری های توالی یابی با توان بالا و روش های محاسباتی پیچیده است. در روش های سنتی، مانند تحلیل مؤلفه های اصلی (PCA) و رگرسیون خطی، معمولا برای نشان دادن روابط پیچیده و غیرخطی ذاتی داده های زیست شناختی تلاش می شود. این محدودیت ها احتیاج به چارچوب های پیشرفته تر برای مدیریت مجموعه داده های با ابعاد بالا را برجسته می کند.
تحولات اخیر در یادگیری ماشین، بخصوص یادگیری عمیق، بیوانفورماتیک را متحول کرده است. مدل هایی مانند شبکه های عصبی کانوُلوشِنال (CNN) و رمزگذارهای خودکار متغیر (VAE) به صورت مؤثر الگوها و روابط پیچیده ای را بین ژن ها شناسایی کرده اند. این مدلها در پردازش حجم زیادی از داده ها بی نظیر و برای تجزیه وتحلیل پروفایل های بیان ژن در انواع مختلف سرطان، مطلوب هستند. علاوه بر این، دیپ پروفایل به صورت منحصربه فردی از یک روش یادگیری گروهی استفاده می نماید، و چند رمزگذار خودکار متغیر را با اندازه های مختلف فضای پنهان (latent space) و مقداردهی اولیه تصادفی ترکیب می کند تا نمایش های نهفته پایدار و تفسیرپذیر زیست شناختی ایجاد نماید. ادغام انواع داده های متنوع، همچون خصوصیت های بالینی و جهشی، باعث پیشرفت تفسیرپذیری تجزیه وتحلیل های بیان ژن شده است.
چارچوب دیپ پروفایل گامی مهم در تجزیه وتحلیل داده های بیان ژن سرطان است. محققان از روش های یادگیری عمیق پیشرفته و مدل سازی گروهی برای غلبه بر چالش ها در تفسیرپذیری زیست شناختی استفاده و اطلاعات مهمی را آشکار کردند که می تواند فهم ناهمگونی سرطان و تاثیر آن بر مراقبت از بیمار را بهبود بخشد. توانایی اتصال پروفایل های بیان ژن با نتایج بالینی، پیشرفتی اساسی در پزشکی شخصی شده (ارائه خدمات پزشکی متناسب با خصوصیت های مولکولی فرد) در سرطان شناسی است.
منبع: آجاك
این مطلب آجاک را پسندیدید؟
(0)
(0)
تازه ترینهای مرتبط
نظرات بینندگان در این باره