شناسایی زیست نشانگرهای بالقوه miRNA سرطان کولورکتال و پیشبینی آن مبتنی بر هوش مصنوعی
Artificial Intelligence-Based discovery of Potential miRNA Biomarkers of colorectal Cancer and Prediction
مجریان: ندا گیلانی
خلاصه روش اجرا: در تجزیه و تحلیل داده های باابعاد بالا تعداد قابل ملاحظه ای از متغیرها روی پیامد، چندان ویژگی مهم و معنی داری ندارند که این خود موجب اختلال در روند مدلسازی می شود که ازآن به عنوان بیش برازش یاد میشود. روشهای انتخاب متغیریکی از روش های مناسب برای مقابله با این مشکل است. در این مطالعه با استفاده از روشهای یادگیری ماشین به تشخیص زیست نشانگرهای مهم (متغیرهای دارای اهمیت بالا) در سرطان کولورکتال که از داده های تولید شده توسط فناوری ریزارایه بدست امده پرداخته خواهد شد. در ابتدا پایش اولیه اطلاعات اعم از پاکسازی، یکپارچه سازی و حذف داده های تکراری صورت خواهد گرفت. سپس از رویکرد یادگیری ماشین از الگوریتم بروتا استفاده خواهد شد. داده های مورد استفاده در این پژوهش که از مشخصات یکپارچه میکرو RNA خارج سلولی برای غربالگری سرطان کلورکتال خواهد بود، بر اساس پروفایل های miRNAسرمی از نمونه های آزمایشگاهی 4046 زن بدست آمده است. داده ها شامل 115 سرطان کولورکتال ، 2459 شاهد غیر سرطانی می باشد. لازم به ذکر است تعداد ریزآرایه ها (متغیرهای مستقل) در این مطالعه حدودا برابر با 2500 است. جمع آوری اطلاعات مربوطه از تاریخ سیزدهم نوامبر 2017 در شهر کاناگاوا ژاپن آغاز شده است و تا بیست و سوم اکتبر 2019 ادامه یافته است. این اطلاعات از پایگاه داده https://www.ncbi.nlm.nih.gov/geo/ استخراج خواهد شد. برازش مدل ها با استفاده از روشهای یادگیری ماشین از پکیج Borutaدر نرم افزار R انجام خواهد گرفت و مدل های مورد استفاده جهت طبقه بندی وپیش بینی سرطان کولورکتال جنگل تصادفی و ایکس جی بوست خواهد بود. و در گام آخر از معیارهای دقت، حساسیت و اختصاصیت AUC ،ارزش اخباری مثبت و ارزش اخباری منفی جهت مقایسه میان مدلها استفاده خواهد شد.
اطلاعات کلی طرح 
| مرحله جاری طرح | خاتمه قرارداد و اجرا |
| کد طرح | 70637 |
| عنوان فارسی طرح | شناسایی زیست نشانگرهای بالقوه miRNA سرطان کولورکتال و پیشبینی آن مبتنی بر هوش مصنوعی |
| عنوان لاتین طرح | Artificial Intelligence-Based discovery of Potential miRNA Biomarkers of colorectal Cancer and Prediction |
| نوع طرح | گرنت پژوهشی |
| اولویت طرح | اپیدمیولوژی، پیشگیری، تشخیص زودهنگام، درمان و بازتوانی در سرطانهای شایع |
| نوع مطالعه | مطالعات روش شناختی |
| تحقیق در نظام سلامت | بلی |
| آیا طرح پایاننامه دانشجویی است؟ | خير |
| مقطع پایان نامه | |
| مدت اجرا - ماه | 12 |
| نوآوری و ضرورت انجام تحقیق | رویکردهای یادگیری ماشین، بر خلاف روش¬های آماری که تنها مطالعه ژن¬های محدود را میسر می¬نمودند، امکان بررسی بیان هزاران ژن را در حداقل زمان ممکن فراهم می¬سازند. بنابراین تشخیص دقیق سرطان ها می¬تواند با طبقه بندی دادههای microRNA عملی شود. هدف این مطالعه دستیابی به زیست نشانگرهای بالقوه جهت طبقه بندی و تشخیص بیماران سرطانی کولورکتال از افراد غیرسرطانی میباشد. از آنجاییکه سرطان کولورکتال جز پنج سرطان شایع میان زنان در ایران است انتخاب موثرترین زیست نشانگرها به طور قابل توجهی موجب بهبود دقت پیش بینی پیامد بیماری¬ها وکیفیت زندگی افراد در مراحل اولیه می¬شود. بنابراین با توجه به اهمیت مطالعات سرطان شناسی در بخش¬های اقتصادی و سلامتی جامعه، تبیین و مقایسه الگوهای بیان ژن در دونمونه سالم و سرطانی، فرصتی را به¬وجود می آورد که بتوان به شناخت مناسب¬تری از بیماری سرطان کولورکتال دست یافت. |
| اهداف اختصاصی | برازش روشهای مشخصه گزینی درر یادگیری ماشین در داده­های سرطان کلورکتال -مدلسازی مبتنی بر روش های یادگیری ماشین در داده های ریزارایه ای سرطان کلورکتال |
| چکیده انگلیسی طرح | Colorectal cancer will be classified using machine learning methods, and there are many predictor variables (Genes expression) along with their interactions. in the preprocessing stage, clearing, integrating, and deleting duplicate data will be performed. Then, the Boruta algorithm will be used in the machine learning approach. The data used in this study will be Serum microRNA profiles of 4046-woman samples, which consist of 115 colorectal cancer and 2759 non-cancer controls. It should be noted that the number of genes (independent variables in this study is approximately equal to 2500 genes. The collection of relevant data began on November 13, 2017, in Kanagawa, Japan and continued until October 23, 2019. This information from the https://www.ncbi.nlm.nih.gov/geo/ database will be extracted. The models will be fitted using the Boruta package in R software and the result will be classified by random forest and XGBoosting classifiers. In the last step, the criteria of accuracy, sensitivity, specificity and AUC will be used to compare models and achieve better performance. |
| کلمات کلیدی | یادگیری ماشین، سرطان کولورکتال، انتخاب متغیر، طبقه بندی، ریزآرایه، بیان ژن. |
| ذینفعان نتایج طرح |
اطلاعات مجری و همکاران
| نام و نامخانوادگی | سمت در طرح |
|---|---|
| فرزانه حمیدی | همکار اصلی |
| ندا گیلانی | مجری اول (اصلی-هیات علمی) |
اطلاعات تفضیلی
| حوزه خبر | خبر |
|---|---|
| رسانه ها و مردم | عنوان خبر متن خبر |
| متخصصان و پژوهشگران | عنوان خبر متن خبر |
| سیاستگذاران درمانی | عنوان خبر امکان توسعه آزمایش خونی دقیق برای تشخیص زودهنگام سرطان روده بزرگ فراهم شدمتن خبر نتایج این پژوهش نشان داد که تحلیل الگوهای بیان میکروآرانای در خون با استفاده از مدلهای هوش مصنوعی میتواند سرطان کولورکتال را با دقت بالای ۹۵ درصد تشخیص دهد. این روش، غیرتهاجمی و سریع بوده و میتواند جایگزین مناسبی برای غربالگری پرهزینه یا روشهای تهاجمی فعلی مانند کولونوسکوپی باشد. پیشنهاد میشود مراکز سیاستگذار حوزه سرطان در کشور از این نتایج برای توسعه برنامههای ملی غربالگری مبتنی بر نشانگرهای زیستی بهره گیرند. |
| سیاستگذاران پژوهشی | عنوان خبر متن خبر |
| لینک (URL) مقاله انگلیسی مرتبط منتشر شده 1 |
