بیوانفورماتیک / زیستدادهورزی
حسین بانکی کشکی؛ سیدعلی سیدصالحی؛ فاطمه زارع میرکآباد
دوره 11، شماره 3 ، آبان 1396، ، صفحه 219-230
چکیده
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبهرو میسازد. از اینرو، باید با ...
بیشتر
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبهرو میسازد. از اینرو، باید با استفاده از روشهای کاهش بعد، دادهها را به فضای واقعی برگرداند. در این پژوهش از یک شبکهی عصبی عمیق اتوانکودر به منظور کاهش بعد دادههای توالی مربوط به جایگاههای پیوند روی ژنوم انسان استفاده شده است. به منظور بررسی میزان حفظ اطلاعات دادههای اصلی در دادههای کاهش بعد یافته، از یک طبقهبندی دوکلاسه به وسیلهی ماشین بردار پشتیبان استفاده میشود. نتایج به دست آمده نشان میدهد که اطلاعات تقریبا به طور کامل در فشردهسازی حفظ میشود. سپس از دادههای فشردهشده برای بصریسازی و همچنین انتخاب ویژگی با تحلیل واریانس استفاده میشود. نتایج به دست آمده نشان میدهد که مکانهای اول، دهم و هشتم در توالیها دارای بیشترین اطلاعات هستند. درحالیکه عمدهی پژوهشهای پیشین روی دادههای بیان ژن حاصل از میکروآرایه، متمرکز شدهاند و مقایسهی محدودی بین روشهای کاهش بعد در آنها انجام شده است. این مقاله برای نخستین بار، دادههای نوکلئوتیدی توالی را با شبکهی اتوانکودر، کاهش بعد داده و مقایسهی جامعی بین انواع روشهای کاهش بعد و یادگیری ماشین ارائه میدهد.
بیوانفورماتیک / زیستدادهورزی
امین جانقربانی؛ محمد حسن مرادی
دوره 10، شماره 3 ، مهر 1395، ، صفحه 197-209
چکیده
نوزادان کموزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگومیر، ناهنجاریهای مادرزادی، عقبماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یکسوم مقدار ...
بیشتر
نوزادان کموزن در هنگام تولد، نوزادانی با وزن کمتر از 2500 گرم در هنگام تولد هستند. این نوزادان بیشتر از سایر نوزادن، در معرض خطرات مرگومیر، ناهنجاریهای مادرزادی، عقبماندگی ذهنی و سایر اختلالات فیزیکی و عصبی هستند. حدود 5/15% از موالید در سطح دنیا، نوزادان با وزن کم در هنگام تولد هستند و کاهش این میزان از موالید به یکسوم مقدار فعلی، بهعنوان یکی از اهداف برنامة یونیسف مطرح شده است. با توجه به موارد ذکرشده، پیشآگهی تولد این نوزادان، نقش مهمی در پیشگیری از وقوع آن دارد. بهعلاوه ، زمینه را برای تصمیمگیریهای بالینی بهموقع و مؤثر برای حفظ سلامت آنان فراهم میآورد. در این پژوهش، از شبکههای فازی شواهدی، بهعنوان مدل پیشآگهی تولد نوزادان با وزن کم هنگام تولد، استفاده شد این شبکهها با استفاده از منطق فازی و تئوری شواهد، قابلیت مدیریت وجوه مختلف عدم قطعیت را دارند. نتایج بهدستآمده از بهکارگیری شبکههای فازی شواهدی و سایر مدلهای پرکاربرد در این زمینه، مانند درخت تصمیمگیری، ماشین بردار پشتیبان و مدل بیز ساده و...، روی پایگاه دادة مربوط به سه بیمارستان شهر تهران، نشان داد که شبکة فازی شواهدی با صحت 84.8% ، عملکرد بهتری از سایر مدلها دارد. در رویکردی دیگر، ترکیب نتایج شبکة فازی شواهدی با مدل بیز ساده، به افزایش صحت پیشآگهی به 85.2 % منجر شد. علاوه بر این، توانایی این شبکهها در برخورد با دادههای گمشده، بهعنوان یکی از چالشهای رایج در مجموعه دادههای پزشکی، بررسی شد. شبکة فازی شواهدی، بهترین عملکرد را در مدیریت عدم قطعیت ناشی از جانهی دادههای گمشده در مقایسه با سایر مدلها، از خود نشان داد و عملکرد آن با افزایش متغیرهای گمشده در هر نمونه، با افت کمتری از سایر روشها روبرو شد.
بیوانفورماتیک / زیستدادهورزی
مینا جعفری؛ بهنام قوامی؛ وحید ستاری نایینی
دوره 9، شماره 4 ، بهمن 1394، ، صفحه 375-386
چکیده
استنتاج شبکة تنظیمکنندة ژن (GRN) با استفاده از دادههای بیان ژن، برای درک وابستگی و نحوة تنظیم ژنها، درک فرآیندهای زیستشناسی، نحوة رخداد فرآیندها و همچنین جلوگیری از وقوع برخی فرآیندهای ناخواسته (بیماری)، حائز اهمیت است. ساخت صحیح GRN، نیازمند استنتاج صحیح مجموعة پیشبینیکننده است. بهطور کلی، مهمترین محدودیت برای ...
بیشتر
استنتاج شبکة تنظیمکنندة ژن (GRN) با استفاده از دادههای بیان ژن، برای درک وابستگی و نحوة تنظیم ژنها، درک فرآیندهای زیستشناسی، نحوة رخداد فرآیندها و همچنین جلوگیری از وقوع برخی فرآیندهای ناخواسته (بیماری)، حائز اهمیت است. ساخت صحیح GRN، نیازمند استنتاج صحیح مجموعة پیشبینیکننده است. بهطور کلی، مهمترین محدودیت برای استنتاج صحیح مجموعة پیشبینیکننده، حجم عظیم ژنها، کم بودن تعداد نمونهها و امکان نفوذ نویز در دادههای بیان ژن است؛ بنابراین، ارائة روشهایی کارا برای استنتاج پیشبینی کنندهها با قابلیت اطمینان بالا، یک نیاز جدی است. در این مقاله، با استفاده از الگوریتم جستجوی گرانشی(GSA)، یک روش کارا برای استنتاج مجموعة پیشبینیکننده ارائه شده است. بهازای هر ژن هدف، یک الگوریتم GSA برای استنتاج زیرمجموعة پیشبینی کنندة آن ژن استفاده شده است. در هر جمعیت، یک جرم نشان دهندة زیرمجموعة پیشبینی کنندة مرتبط با آن ژن هدف است. جمعیت اولیه بهازای هر ژن هدف، براساس ضریب همبستگی پیرسون تولید میشود. برای هدایت الگوریتم GSA، از معیار ارزیابی میانگین آنتروپی شرطی (MCE) استفاده شده است. نتایج تجربی حاصل از اعمال این روش روی دادههای زیستشناسی نشان میدهد که، روش پیشنهادی دقت بالایی برای استنتاج مجموعة پیشبینیکننده دارد. بهعلاوه، نتایج روی دادههای زیستشناسی با مقیاس کوچک و بزرگ نشان میدهند که، میزان دقت روش پیشنهادی برای استنتاج GRN بیشتر از روشهای مشابه است.
پردازش سیگنالهای حیاتی
علی خادم؛ غلامعلی حسینزاده
دوره 6، شماره 1 ، خرداد 1391، ، صفحه 57-69
چکیده
بررسی ارتباطات علّی (تأخیری) مغزی، از جایگاه مهمی در حوزه علوم اعصاب برخوردار است. معیارهای مرسوم اندازهگیری ارتباطات علّی (تأخیری) مغزی، عمدتاً پارامتری و مبتنی بر مدل هستند و فرضهای محدودکنندهای نسبت به ماهیت ارتباطات مغزی در نظر میگیرند. در سالهای اخیر، معیارهایی ناپارامتری برای رفع این نقیصه مطرح شدهاند که از مهمترین ...
بیشتر
بررسی ارتباطات علّی (تأخیری) مغزی، از جایگاه مهمی در حوزه علوم اعصاب برخوردار است. معیارهای مرسوم اندازهگیری ارتباطات علّی (تأخیری) مغزی، عمدتاً پارامتری و مبتنی بر مدل هستند و فرضهای محدودکنندهای نسبت به ماهیت ارتباطات مغزی در نظر میگیرند. در سالهای اخیر، معیارهایی ناپارامتری برای رفع این نقیصه مطرح شدهاند که از مهمترین آنها میتوان آنتروپی انتقال (TE) را نام برد. این معیار در بستر تئوری اطلاعات و بر پایه مفهوم اطلاعات متقابل شرطی تعریف شده است. با وجود این، در حضور ارتباطات لحظهای قوی -که به طور گسترده ای در دادههای مغزی مشاهده میشوند- TE ممکن است در تخمین صحیح ارتباطات علّی (تأخیری) دچار اشتباه شود. در این پژوهش، دو معیار مبتنی بر تئوری اطلاعات با عنوان اندرکنش لحظهای (II) و آنتروپی انتقال اصلاح شده (MTE) معرفی میشوند که معیار اول برای تخمین ارتباطات لحظهای مغزی و معیار دوم برای تخمین ارتباطات علّی (تأخیری) مغزی در حضور ارتباط لحظهای معنیدار به کار میرود. عملکرد این معیارها بر 3 مدل شبیهسازی و دادههای الکتروانسفالوگرام (EEG) حالت استراحت مغزی با چشمان بسته بررسی شدند. نتایج شبیهسازیها حاکی از توانایی زیاد II جهت تخمین ارتباطات لحظهای خطی و غیرخطی است. همچنین بر طبق نتایج شبیهسازیها اگر چه در حضور ارتباط لحظهای معنیدار (II معنیدار) عملکرد TE در تشخیص ارتباطات علّی (تأخیری) تضعیف میشود؛ MTE به خوبی این نقیصه را جبران میکند. نتایج دادههای EEG نشان میدهد که II ارتباطات لحظهای معنیداری بین نواحی خلفی و نواحی قدامی مغز تخمین میزند و MTE در مقایسه با TE جریان اطلاعات از نواحی خلفی به نواحی قدامی را به طور معنیدارتری نشان میدهد که تطابق خوبی با نتایج تحقیقات گذشته در این حوزه دارد.