پانل miRNA تشخیصی برای تشخیص عود سرطان تخمدان از طریق رویکردهای یادگیری ماشین
A diagnostic miRNA panel to detect recurrence of ovarian cancer through Machine Learning approaches
مجریان: سپیده زنونی واحد
خلاصه روش اجرا: سرطان تخمدان (OC) کشنده ترین بدخیمی زنان است و میزان عود بالا در بیماران OC یک موضوع چالش برانگیز است. داشتن بینش عمیق در مورد مکانیسم های ژنتیکی و مولکولی عود OC می تواند روش های درمانی هدف را بهبود بخشد. در مطالعه حاضر، ما با استفاده از روشهای هوش مصنوعی، روشی مؤثر برای شناسایی miRNAهای جدید مرتبط با عود سرطان بر روی دادههای بیان miRNA ارائه خواهیم داد. از طریق روش انتخاب ویژگیANOVA ، microRNA های کاندید را از بین 588 miRNA انتخاب خواهیم کرد. برای طبقه بندی، ما از یک مدل یادگیری عمیق برای تایید اهمیت miRNA های کاندید استفاده خواهیم کرد. با الگوریتم Association rule mining برای کشف روابط پنهان بین miRNA های انتخاب شده استفاده خواهد شد. این مطالعه تصویر واضح تری برای درک بهتر ژن های محرک در عود OC ارائه خواهد داد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 70349 |
| عنوان فارسی طرح | پانل miRNA تشخیصی برای تشخیص عود سرطان تخمدان از طریق رویکردهای یادگیری ماشین |
| عنوان لاتین طرح | A diagnostic miRNA panel to detect recurrence of ovarian cancer through Machine Learning approaches |
| 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 | 12 |
| نوآوری و ضرورت انجام تحقیق | Identification of OC patients with high recurrence risk in the early stage is critical for improving treatment outcomes. 70 % of OC patients suffer from recurrence after treatment, and monitoring the clinical symptoms does not help the physicians to provide the solution. Therefore, discovery and understanding cancer recurrence is the main challenge in the OC research area. |
| اهداف اختصاصی | ANOVA-based feature selection will apply to select potential miRNAs to predict ovarian cancer recurrence status |
| چکیده انگلیسی طرح | Ovarian Cancer (OC) is the deadliest gynecology malignancy, and the high recurrence rate in OC patients is a challenging object. Having deep insights into the genetic and molecular mechanisms of OC recurrence can improve the target therapeutic procedures. In the present work, we will provide an effective way to identify novel miRNAs related to cancer recurrence on miRNA expression data by utilizing artificial intelligence approaches. Through the ANOVA feature selection method, we will select 100 candidate miRNAs among 588 miRNAs. For classification, we will employ a deep learning model to validate the significance of the candidate miRNAs. Association rule mining will be used to discover hidden relations among selected miRNAs. This study will provide a clearer picture for a better understanding of trigger genes in OC recurrence. |
| کلمات کلیدی | Recurrence of cancer defines as the return of the disease after finalizing therapy and having a length of time when cancer cannot be redetected |
| ذینفعان نتایج طرح | Patients with ovarian cancer |
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 |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر miR-1914 به عنوان یک miRNA اصلی درگیر در عود سرطان تخمدان با هوش مصنوعی شناسایی شد.متن خبر سرطان تخمدان (OC) کشنده ترین بدخیمی زنان است که میزان عود بالای آن در بیماران OC موضوعی چالش برانگیز است. بنابراین، داشتن بینش عمیق در مورد مکانیسمهای ژنتیکی/مولکولی عود OC میتواند رویههای درمانی هدف را بهبود بخشد. این مطالعه با هدف شنایی miRNA های حیاتی برای تشخیص عود تومور در OC با رویکردهای هوش مصنوعی انجام شد. از طریق روش انتخاب ویژگی ANOVA، ما 100 miRNA کاندید را از بین 588 miRNA انتخاب کردیم. برای طبقه بندی آنها، یک مدل یادگیری عمیق برای اعتبارسنجی اهمیت miRNA های کاندید استفاده شد. دقت، F1-score (high-risk) و AUC-ROC دادههای آزمون طبقهبندی بر اساس 100 miRNA به ترتیب 73، 0.81 و 0.65 بود.
miR-1914، miR-203، miR-135a-2، miR-149، و miR-9-1، به عنوان متداول ترین miRNAها شناسایی شدند که ممکن است ژن ها/پروتئین های دخیل در انتقال اپیتلیال- مزانشیمی (EMT)، مقاومت به درمان و سلول های بنیادی سرطانی را مورد هدف قرار دهند. در کل، mir-1914 بهعنوان miRNA کاندید مهم درگیر در عود کنسر با متدهای هوش مصنوعی شناسایی شد که میتواند در signaling-targeted therapy استفاده گردد. |
| سیاستگذاران درمانی | عنوان خبر متن خبر |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
