تعیین پنل های miRNA برای طبقه بندی مولکولی ساب تایپ های ccRCC, pRCC و chRCC سرطان کلیه با استفاده از روش های هوش مصنوعی
Identification of miRNA panels for molecular classification of ccRCC, pRCC, and chRCC kidney cancer subtypes using artificial intelligence methods
مجریان: سپیده زنونی واحد
خلاصه روش اجرا: در این مطالعه، microRNA هایی که توانایی تفکیک مولکولی سه ساب تایپ مختلف سرطان کلیه شامل ccRCC، پاپیلاری pRCC و کروموفوبی (chRCC)، را دارند با استفاده از انواع مختلف روش های بیوانفورماتیک و هوش مصنوعی ارائه خواهد شد. بدین منظور، آماده سازی، نرمال سازی و تقسیم بندی آن به صورت داده های آموزشی، اعتبار سنجی و آزمون داده های microRNA انجام میگیرد. در قدم بعدی، با استفاده از روش های مبتنی بر گراف ها عمل انتخاب ویژگی (feature selection) انجام خواهد شد و ویژگی ها شامل RNA های مهم و موثر در تفکیک سه ساب تایپ مختلف سرطان کلیه انتخاب میگردند. در ادامه به منظور ارزیابی بیومارکرهای منتخب، از یک مدل مبتنی بر الگوریتم های deep learning (یادگیری عمیق) استفاده خواهد شد. در گام بعدی، با استفاده از الگوریتم های مبتنی بر Association Rule Mining ارتباط microRNA های منتخب در هر ساب تایپ سرطان کلیه استخراج خواهد شد و مهمترین microRNA های منتخب با بیشترین نقش در هر ساب تایپ کنسر کلیه معرفی خواهند شد. نهایتا، نقش بیولوژیکی و پاتولوژیکی microRNA های کاندید تجزیه و تحلیل خواهد شد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 68374 |
| عنوان فارسی طرح | تعیین پنل های miRNA برای طبقه بندی مولکولی ساب تایپ های ccRCC, pRCC و chRCC سرطان کلیه با استفاده از روش های هوش مصنوعی |
| عنوان لاتین طرح | Identification of miRNA panels for molecular classification of ccRCC, pRCC, and chRCC kidney cancer subtypes using artificial intelligence methods |
| نوع طرح | طرح تحقیقاتی |
| 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 | 10 |
| نوآوری و ضرورت انجام تحقیق | هیچ یک از نشانگرهای زیستی گزارش شده در سرم و ادرار از حساسیت، ویژگی و دقت کافی برای استفاده در کاربردهای بالینی برخوردار نمی باشند. علاوه بر این، توموگرافی کامپیوتری (CT) و سونوگرافی شکم به ترتیب دارای مشکلاتی از جمله هزینه های بالا و حساسیت کم در تشخیص تومورهای کوچک هستند. بنابراین، انجام غربالگری دقیق برای انواع مختلف RCC با توسعه روشهای غیر تهاجمی یک ضرورت است. درک مکانیسم های مولکولی ساب تایپ های RCC چالش اصلی در تحقیقات کنسر کلیه است. بنابراین، کلینیک نیاز مبرم به رمزگشایی مکانیسم مولکولی هر ساب تایپ و شناسایی نشانگرهای زیستی جدید وجود دارد. این طرح با هدف معرفی، اعتبارسنجی و رمزگشایی نقشهای مهم miRNA ها در پیش بینی پیش آگهی بالینی RCC و طبقه بندی بهتر ساب تایپ های RCC از طریق روشهای یادگیری ماشین و هوش مصنوعی طراحی شد. |
| اهداف اختصاصی | شناسایی پنل های miRNA تاثیر گذار با هدف تفکیک مولکولی سه ساب تایپ سرطان کلیه در فاز محاسباتی -تفسیر بیولوژی و پاتولوژی نتایج بدست آمده از فاز محاسباتی |
| چکیده انگلیسی طرح | In this study, microRNAs that are able to distinguish three different subtypes of kidney cancer, including ccRCC, papillary pRCC, and chromophobia (chRCC), will be presented using a variety of bioinformatics and artificial intelligence methods . For this purpose, preparation, normalization, and segmentation of data will be performed in the form of training data, validation and testing of microRNA data. In the next step, using graph-based methods, feature selection will be performed and features including important and effective miRNAs selected in three different subtypes of kidney cancer will be selected. In order to evaluate the selected biomarkers, a model based on deep learning algorithms will be used. In the next step, using Association Rule Mining based algorithms, the relationship of selected miRNAs in each kidney cancer subtype will be extracted and the most important selected miRNAs with the most role in each subtype will be introduced. Finally, the biological and pathological role of the candidate miRNAs will be analyzed. |
| کلمات کلیدی | microRNA |
| ذینفعان نتایج طرح | بیماران مبتلا به سرطان کلیه با ساب تایپ های مختلف |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| سپیده زنونی واحد | مجری اول (اصلی-هیات علمی) |
| محمد رضا اردلان | همکار اصلی |
| سید مهدی حسینی یان خطیبی | همکار اصلی |
| سعید پیرمرادی | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر CSN7A ،miR-28 ،NMD3 و miR-125a متداولترین RNAهای درگیر درپاتوژنز ساب تایپ های سرطان کلیه با استفاده از روش های هوش مصنوعی بودند.متن خبر سرطان کلیه یکی ازده سرطان شایع درسراسرجهان است وتقریبا90درصدازهمه سرطانهای کلیه، سرطان سلول کلیوی(RCC)هستندکه سلولهای توبولهای کلیه سرطانی میشوند. ازنظربافت شناسی،RCCمجموعه ای ناهمگن ازسه زیرگونه اصلیKIRP(ccRCC)KIRC(پاپیلاریpRCC)وکروموفوبی(chRCC)است. باتوجه به افزایش تعدادمواردRCC، توسعه استراتژیهای کارآمدبرای تشخیص زودهنگام وشناسایی تومورهای باپیش آگهی بدتربسیارمهم است. دراین مطالعهRNAهاوmicroRNAهایی که توانایی تفکیک مولکولی سه ساب تایپ مختلف سرطان کلیه رادارند، بااستفاده ازانواع مختلف روشهای بیوانفورماتیک وهوش مصنوعی شناسایی گردید. بمنظورارزیابی بیومارکرهای منتخب، ازیک مدل مبتنی برالگوریتمهای یادگیری عمیق استفاده شد. درگام بعدی، بااستفاده از الگوریتمهای مبتنی برAssociation Rule MiningارتباطmRNAهاوmicroRNAهای منتخب با بیشترین نقش درهرساب تایپ کنسر کلیه معرفی گردید. درنهایت، نقش بیولوژیکی و پاتولوژیکی RNAهای کاندید تفسیرگردید. دراین مطالعه، بیومارکرهای مبتنی بریادگیری عمیق برای متمایزکردن زیرگروههای رایجRCCارائه شد. یک پانل ازmRNA77کاندیدویک پانل از73miRNAتوانستKIRCراازKIRPبادقت بالامتمایزکند.CSN7AوmiR-28همراه باNMD3وmiR-125aبترتیب متداولترین RNAهای درگیر درپاتوژنزKIRCوKIRPبودند. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
