معرفی mRNAهای موثر در دسته بندی سطوح پاتولوژی سرطان Clear Cell Renal Cell Carcinoma (ccRCC) با روش machine learning
Introducing mRNAs involved in pathological stage of clear cell renal cell carcinoma (ccRCC) utilizing Machine learning approach
مجریان: سپیده زنونی واحد
خلاصه روش اجرا: (ccRCC) Clear cell renal cell carcinomaیکی از شایع ترین نوع سرطان در سلول های کلیوی و نیز مرگ و میر ناشی از سرطان می باشد. در مطالعه حاضر، رونوشت های مهم RNA را که دارای توانایی تفکیک نمونه های با وضعیت early-stage از نمونه های با وضعیت late-stage در ccRCC 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 RNAهای مهم و موثر در تفکیک بیماران در دو گروه early-stage و late-stage انتخاب می گردد. در ادامه به منظور ارزیابی ویژگی یا RNAهای منتخب از یک مدل دسته بندی (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 mRNAهای 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؛ بطوری که نقش آن ها در انتقال بیماران از حالت early-stage به late-stage مورد جستجو و کنکاش قرار می گیرد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 68061 |
| عنوان فارسی طرح | معرفی mRNAهای موثر در دسته بندی سطوح پاتولوژی سرطان Clear Cell Renal Cell Carcinoma (ccRCC) با روش machine learning |
| عنوان لاتین طرح | Introducing mRNAs involved in pathological stage of clear cell renal cell carcinoma (ccRCC) utilizing Machine learning approach |
| 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 | 15 |
| نوآوری و ضرورت انجام تحقیق | از آنجایی که پروفایل بیان ژنی نقش بسیار مهمی در پیشرفت و متاستاز تومورهای سرطانی دارد، لذا پتانسیل بسیار بالایی در طبقه بندی نوع تومورها به حساب می آید. روش های مبتنی بر یادگیری ماشین که از پروفایل بیان ژنی برای تشخیص مراحل سرطان های مختلف استفاده می شوند، به خوبی گسترش پیدا کرده اند که شامل سرطان ccRCC هم می شود. بنابراین، در مطالعه حاضر رونوشت های مهم RNA که دارای توانایی تفکیک نمونه ها با وضعیت early-stage از نمونه ها با وضعیت late-stage در ccRCC هستند، با استفاده از انواع مختلف روش های بیوانفورماتیک و هوش مصنوعی بررسی خواهد شد. 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. |
| اهداف اختصاصی | شناسایی نشانگرهای زیستی تاثیر گذار با هدف تفکیک دو گروه early-stage و late-stage بیماران مبتلا به سرطان کلیه از نوع ccRCC در فاز محاسباتی -تجزیه و تحلیل ژنتیکی نتایج بدست آمده در فاز محاسباتی -تفسیر ژنتیکی منطقی نتایج بدست آمده از فاز محاسباتی |
| چکیده انگلیسی طرح | Among all kidney cancers subtype, Clear cell renal cell carcinoma (ccRCC) is the most common subtype of renal cell carcinoma and accounts for cancer-related deaths. Survival rates are very low when the tumor is discovered in the late-stage. ccRCC is usually asymptomatic in the early stages, with about 25–30% of patients having metastasis by the time of diagnosis. ccRCC has high resistance to chemotherapy and radiotherapy, leading to poor prognosis. Detecting ccRCC in the early stage can help prevent and treat cancer at early stages. Also, understanding key genetic drivers for progression can help to develop new treatments. This study tries to identify the significant RNA transcripts that can separate early and late-stage samples of ccRCC 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 | ccRCC: Clear Cell Renal Cell Carcinoma یادگیری ماشین (Machine learning): مطالعهی علمی الگوریتمها و مدلهای آماری مورد استفاده سیستمهای کامپیوتری است که بجای استفاده از دستورالعملهای واضح، از الگوها و استنباط برای انجام وظایف سود میبرند. Classifier model: نوعی مدل طبقه بندی که سعی در نتیجه گیری داده های ورودی از آموزش دارد و برچسب ها یا دسته ها را برای داده های جدید پیش بینی می کند. Feature: خاصیت قابل اندازه گیری فردی از یک پدیده مشاهده شده می باشد. |
| ذینفعان نتایج طرح | این طرح به صورت مستقیم برای بیماران مبتلا به سرطان کلیه (ccRCC) با هدف تشخیص دقیق شدت سرطان کمک کننده خواهد بود و به صورت غیر مستقیم استفاده از ژن های انتخاب شده بر اساس روش پیشنهادی بعد از انجام آزمایش های مورد نیاز به منظور طراحی روش های درمانی موثر به کار گرفته می شود. |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| محمد رضا اردلان | همکار اصلی |
| سپیده زنونی واحد | مجری اول (اصلی-هیات علمی) |
| سیده مینا حجازیان | همکار اصلی |
| سید مهدی حسینی یان خطیبی | همکار اصلی |
| سعید پیرمرادی | همکار اصلی |
| الهام احمدیان | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر سیستم یوبیکوئیتین-پروتئازوم و اجزای آن در پاتوژنز ccRCC می توانند موثر باشند.متن خبر کارسینوم کلیه با سلولهای روشن (Clear cell renal cell carcinoma; ccRCC) شایع ترین نوع سرطان کلیه با مرگ و میر بالا در بزرگسالان است. از آنجایی که پروفایل بیان ژنی نقش بسیار مهمی در پیشرفت و متاستاز تومورهای سرطانی دارد، در این مطالعه از پروفایل بیان ژنی برای تشخیص ccRCC با استفاده روش های مبتنی بر یادگیری ماشین استفاده شد. CSN7A ، UBAC1، PSMD9، RNF40، و Capn4 با بالاترین تعداد تکرار توسط تجزیه و تحلیل Association Rule Mining بعنوان mRNA های کاندید در ccRCC شناسایی شدند. بترتیب، miR-125a، miR-23b، miR-210، miR-99b، و miR-101-2 بعنوان پنج miRNA اصلی در ccRCC شناسایی شدند که در پاتوژنز این ساب تاپ کنسری درگیر هستند. رویکردهای یادگیری ماشینی توانست اهداف جدیدی را در زمینه ccRCC شناسایی کند بطوریکه UPS (سیستم یوبیکوئیتین-پروتئازوم) و اجزای آن (CSN7A، UBAC1، PSMD9 و RNF40) را در کانون توجه قرار داد. مطالعه ما ممکن است افقی نوآورانه را برای بررسی نقش CSN7A، UBAC1، PSMD9، و RNF40 در پاتوژنز ccRCC و طراحی درمانهای هدفمند باز کند. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
