شناسایی نشانگرهای زیستی non-coding miRNA با هدف پیش بینی استیج کارسینومای هپاتوسلولار با استفاده از مدل های یادگیری ماشین
Identification of non-coding miRNA Biomarkers for predicting the stage of hepatocellular Carcinoma through machine learning models
مجریان: سپیده زنونی واحد
خلاصه روش اجرا: در مطالعه حاضر، ما رونوشت های مهم miRNA را که دارای توانایی تفکیک استیج پاتولوژی نمونه های early stage از نمونه های late stage در HCC هستند، با استفاده از انواع مختلف روش های بیوانفورماتیک و هوش مصنوعی بررسی خواهیم کرد. ابتدا داده های رونوشت miRNA پیش پردازش می شوند 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 شامل miRNA های مهم و موثر در تفکیک بیماران در دو گروه early stage و late stage انتخاب میگردند. در ادامه به منظور ارزیابی ویژگی یا نشانگرهای زیستی منتخب از یک مدل کلاس بند (classifier model) مبتنی بر الگوریتم های یادگیری عمیق (deep learning) استفاده خواهد شد. در قدم بعدی با استفاده از الگوریتم های مبتنی بر Association Rule Mining قوانین حاکم بر ارتباط miRNA های منتخب با وضعیت متاستاز استخراج خواهد شد. بر اساس قوانین مستخرج مهمترین miRNA های منتخب که نقش کلیدی در وضعیت و مکانیزم سطوح پاتولوژی در بیماران مبتلا به HCC ایفا می کنند معرفی خواهند شد. در قدم آخر ویژگی ها یا miRNA های کاندید با هدف بررسی ها و تفسیرهای ژنتیکی با استفاده از پایگاه های داده های مختلف ژنتیکی تجزیه و تحلیل خواهد شد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 68424 |
| عنوان فارسی طرح | شناسایی نشانگرهای زیستی non-coding miRNA با هدف پیش بینی استیج کارسینومای هپاتوسلولار با استفاده از مدل های یادگیری ماشین |
| عنوان لاتین طرح | Identification of non-coding miRNA Biomarkers for predicting the stage of hepatocellular Carcinoma through machine learning models |
| 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 | مطالعات پیشین و روش های پیشنهادی تاکنون بر مسئله تفاوت بیانی ژن ها و ارتباط آن ها با نرخ زندگی در بیماران متمرکز بوده اند، با این وجود مسئله تشخیص HCC در مراحل اولیه همچنان به عنوان یک چالش مهم برای پزشکان مطرح می باشد. در این میان از miRNA ها به عنوان بازیگران مهم در این عرصه یاد می شود که علت آن وجود پتانسیل بالا به عنوان نشانگرهای تومری (Tumor Marker) و نیز توانایی آن ها در پیش بینی پارامترهای آسیب شناسی بالینی (Clinicopathological) است. 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 وضعیت سرطان HCC (اولیه در مقابل پیشرفته) هنوز به خوبی درک نشده است. بنابراین، مطالعه حاضر تلاشی برای پیش بینی در مراحل اولیه و مکانیزم حاکم در سرطان HCC بر اساس داده های miRNA 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 از منظر سطح پاتولوژی در بیماران مبتلا به HCC در فاز محاسباتی |
| چکیده انگلیسی طرح | In the present study, we will examine important miRNA transcripts that have the ability to distinguish the pathological early-stage samples from late-stage in HCC, using a variety of bioinformatics and artificial intelligence methods. First, the miRNA transcript data will be pre-processed, including its preparation, normalization, and segmentation into training, validation, and test data. In the next step, using graph-based methods, feature selection will be performed and features including important and effective miRNAs will be selected in separating patients into two groups: early stage and late stage. In order to evaluate the selected feature or biomarkers, a classifier model based on deep learning algorithms will be used. In the next step, using algorithms based on Association Rule Mining, the rules governing the association of selected miRNAs with metastatic status will be extracted. Based on the extracted rules, the most important selected miRNAs that play key roles in the status and mechanism of pathology levels in patients with HCC will be introduced. Finally, candidate traits or miRNAs will be analyzed using various genetic databases for genetic analysis and interpretation. |
| کلمات کلیدی | هر واژه در محل مورد نظر تعریف شده است. |
| ذینفعان نتایج طرح | به صورت مستقیم بیماران مبتلا به سرطان HCC با هدف تشخیص دقیق سرطان در مراحل اولیه از منظر سطح پاتولوژی 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 |
|---|---|
| سپیده زنونی واحد | مجری اول (اصلی-هیات علمی) |
| سعید پیرمرادی | همکار اصلی |
| سید مهدی حسینی یان خطیبی | همکار اصلی |
| محمد رضا اردلان | همکار اصلی |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر ویترونکتین و miR‑ 590 بعنوان RNA های درگیر در استیج اولیه کارسینوم هپاتوسلولار با هوش مصنوعی شناسایی شد.متن خبر کارسینوم هپاتوسلولار یا کارسینوم سلولهای کبدی (HCC) شایع ترین نوع سرطان اولیه کبد است. تشخیص در مراحل اولیه نقش اساسی در تصمیم گیری های درمانی و شناسایی مکانیسم های مولکولی دارد. این مطالعه با هدف شنایی RNA های حیاتی در مراحل اولیه HCC با روش های هوش مصنوعی انجام شد. با استفاده از روش های مبتنی بر گراف ها، عمل feature selection شامل RNA های مهم در تفکیک بیماران در دو گروه early stage و late stage انتخاب شدند. با استفاده از الگوریتم های مبتنی بر Association Rule Mining قوانین حاکم بر ارتباط RNA های منتخب با وضعیت سرطان استخراج شد. ژنهای کلیدی مرتبط با مراحل اولیه (ویترونکتین، مهارکننده فیبرینولیز فعالپذیر با ترومبین، لاکتات دهیدروژناز و miR-590) و مرحله late (SPRY domain containing 4، رگوکلسین و miR‑3199‑1) HCC شناسایی شد. این تحقیق میتواند تصویر روشنی از ژنهای کاندید احتمالی، که میتوانند بازیگران اصلی در مراحل اولیه و اواخر HCC باشند، ایجاد کند. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
