طراحی یک مدل عمیق با هدف کلاس بندی درجه سرطان بیماران مبتلا به سرطان تیروئید پاپیلاری بر پایه نشانگرهای زیستی بیان ژنی منتخب
Introducing robust biomarkers for Stage Classification of Patient in Papillary Thyroid Cancer through a deep learning model
مجریان: عفت علیزاده
خلاصه روش اجرا: در مطالعه حاضر، ما رونوشت های مهم RNA را که دارای توانایی تفکیک نمونه ها با وضعیت early-stage از نمونه ها با وضعیت late-stage در (Papillary Thyroid Cancer (PTC هستند، با استفاده از انواع مختلف روش های بیوانفورماتیک و هوش مصنوعی بررسی خواهیم کرد. ابتدا داده های رونوشت RNA پیش پردازش می شود که شامل آماده سازی، نرمال سازی و تقسیم بندی آن به صورت داده های آموزشی، اعتبار سنجی و آزمون می باشد. در قدم بعدی با استفاده از روش های مبتنی بر گراف ها عمل انتخاب ویژگی (feature selection) انجام خواهد شد و ویژگی ها یا RNA ها مهم و موثر در تفکیک بیماران در دو گروه early-stage و late-stage انتخاب میگردد. در ادامه به منظور ارزیابی ویژگی یا RNA ها منتخب از یک مدل کلاس بند (classifier model) مبتنی بر الگوریتم های یادگیری عمیق (deep learning) استفاده خواهد شد. در صورتی که دقت مدل در تفکیک دو گروه بر اساس ویژگی های انتخابی در قدم پیشین قابل قبول باشد نشان دهنده انتخاب صحیح ویژگی ها یا mRNA های موثر است که از منظر ریاضی قادر به تفکیک معنی دار دو گروه بیماران هستند. در قدم آخر ویژگی ها یا mRNA های کاندید با هدف بررسی ها و تفسیرهای ژنتیکی با استفاده از پایگاه های داده های مختلف ژنتیکی تجزیه و تحلیل خواهد شد. بنابراین علت قدرت تفکیک پذیری ویژگی ها یا mRNA های کاندید علاوه بر منظر ریاضی از منظر ژنتیکی نیز مورد بررسی قرار گرفته و تفسیر ژنتیکی مناسب برای آن ارائه خواهد شد بطوریکه نقش آن ها در انتقال بیماران از حالت early-stage به late-stage مورد کنکاش قرار می گیرد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 66670 |
| عنوان فارسی طرح | طراحی یک مدل عمیق با هدف کلاس بندی درجه سرطان بیماران مبتلا به سرطان تیروئید پاپیلاری بر پایه نشانگرهای زیستی بیان ژنی منتخب |
| عنوان لاتین طرح | Introducing robust biomarkers for Stage Classification of Patient in Papillary Thyroid Cancer through a deep learning model |
| نوع طرح | گرنت پژوهشی |
| اولویت طرح | اپیدمیولوژی، پیشگیری، تشخیص زودهنگام، درمان و بازتوانی در سرطانهای شایع |
| نوع مطالعه | مطالعات علوم پایه (Experimental) |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 18 |
| نوآوری و ضرورت انجام تحقیق | در مجموع، مطالعات قبلی عمدتا در درک ارتباط بین بیماری زایی (Pathogenesis) و پیشرفت بیماری با ویژگی های ژنومی و تغییرات آن متمرکز بوده است. مطمئناً، این مسئله به محققان و پزشکان برای درک بهتر بیماری زایی سرطان تیروئید کمک می کند. با این وجود هنوز هم به ویژگی های ژنومیک که قادر به تشخیص بیماری در مراحل اولیه هستند برای بهبود نتیجه بیماران PTC نیاز می باشد. بدون شک، این امر تصمیم گیری پزشکان را در انتخاب روش درمانی و مدیریت مناسب بیماران تسهیل می کند. با وجود مطالعات انجام شده، ارتباط بین ویژگی های ژنومی و شناسایی مراحل مختلف PTC هنوز به خوبی درک نشده است. بنابراین، مطالعه حاضر تلاشی برای پیش بینی مراحل PTC بر اساس داده های RNA-Seq بیماران با استفاده از روش های یادگیری ماشین (machine learning) می باشد. |
| اهداف اختصاصی | شناسایی نشانگرهای زیستی تاثیر گذار با هدف تفکیک دو گروه early-stage و late-stage بیماران مبتلا به سرطان تیروئید از نوع پاپیلاری در فاز محاسباتی -تجزیه و تحلیل ژنتیکی نتایج بدست آمده در فاز محاسباتی |
| چکیده انگلیسی طرح | Recently, we have witnessed a sharp upsurge in the prevalence of thyroid cancer worldwide, and the spread rate of thyroid malignancy is still increasing, making it the sixth most common cancer in women, as per recent cancer statistics of 2020. Histopathologically, there are four types of thyroid cancers, so that Papillary Thyroid Cancer (PTC) is the most common type with 75 to 80 percent spread among the population. According to the American Cancer Society, the survival rate of early-stage (stage I and stage II) PTC patients is nearly 100%, but the same reduces to 55% in stage 4. These statistics prove the necessity of studying methods or biomarkers for the early detection of thyroid cancer. This study tries to identify the significant RNA transcripts that can separate early and late-stage samples of PTC using RNA expression profiles. In this regard, we apply Artificial Intelligence (AI) methods to genomics data so that we can solve the complex problem in this area. |
| کلمات کلیدی | هر واژه در محل مورد نظر تعریف شده است. |
| ذینفعان نتایج طرح | به صورت مستقیم بیماران مبتلا به سرطان تیروئید از نوع پاپیلاری با هدف تشخیص دقیق درجه سرطان و به صورت غیر مستقیم استفاده از ژن های انتخاب شده بر اساس روش پیشنهادی بعد انجام آزمایش های مورد نیاز به منظور طراحی روش های درمانی موثر. |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| عفت علیزاده | مجری اول (اصلی-هیات علمی) |
| سعید پیرمرادی | همکار اصلی |
| امیرمهدی خامنه | همکار اصلی |
| حامد همائی راد | همکار اصلی |
| منیره حلیمی | همکار اصلی |
| سویل واقفی مقدم | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر یک مدل عمیق با هدف کلاس بندی درجه سرطان بیماران مبتلا به سرطان تیروئید پاپیلاری بر پایه نشانگرهای زیستی بیان ژنی منتخب طراحی شد.متن خبر در مطالعه حاضر، رونوشت های مهم RNA را که دارای توانایی تفکیک نمونه ها با وضعیت early-stage از نمونه ها با وضعیت late-stage در (Papillary Thyroid Cancer (PTC هستند، با استفاده از انواع مختلف روش های بیوانفورماتیک و هوش مصنوعی بررسی شدند. ابتدا داده های رونوشت RNA پیش پردازش شدند که شامل آماده سازی، نرمال سازی و تقسیم بندی آن به صورت داده های آموزشی، اعتبار سنجی و آزمون می باشد. در قدم بعدی با استفاده از روش های مبتنی بر گراف ها عمل انتخاب ویژگی (feature selection) انجام شد و ویژگی ها یا RNA ها مهم و موثر در تفکیک بیماران در دو گروه early-stage و late-stage انتخاب گردید. در ادامه به منظور ارزیابی ویژگی یا RNA ها منتخب از یک مدل کلاس بند (classifier model) مبتنی بر الگوریتم های یادگیری عمیق (deep learning) استفاده شد. در قدم آخر ویژگی ها یا mRNA های کاندید با هدف بررسی ها و تفسیرهای ژنتیکی با استفاده از پایگاه های داده های مختلف ژنتیکی تجزیه و تحلیل شد. مهم ترین ژنهای مرتبط با مراحل اولیه و دیر هنگام بیماری به ترتیب ZNF518B, DTD2, CCAR1 و lnc-DNAJB6-7:7, RP11-484D2.3, MSL3P1
بودند. این مطالعه می تواند به یافتن اهداف درمانی کمک نماید. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
