پیش بینی اثربخشی درمان مبتالیان به سرطان کولورکتال با استفاده از الگوریتم های هوش محاسباتی در داده های بیان ژن
پیش بینی اثربخشی درمان مبتالیان به سرطان کولورکتال با استفاده از الگوریتم های هوش محاسباتی در داده های بیان ژن
پیش بینی اثربخشی درمان مبتالیان به سرطان کولورکتال با استفاده از الگوریتم های هوش محاسباتی در داده های بیان ژن
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: پیش بینی اثربخشی درمان مبتالیان به سرطان کولورکتال با استفاده از الگوریتم های هوش محاسباتی در داده های بیان ژن
ارائه دهنده: Provider: نیما محسنی
اساتید راهنما: Supervisors: دکتر سید منوچهر حسینی، دکتر مجید غنیئی
اساتید مشاور: Advisory Professors: دکتر سعید افشار
اساتید ممتحن یا داور: Examining professors or referees: دکتر حسن ختن لو، دکتر علی مهدوی نژاد
زمان و تاریخ ارائه: Time and date of presentation: چهارشنبه 17 آذرماه 1400، ساعت 16:00
مکان ارائه: Place of presentation: http://vc.basu.ac.ir/eng-thesis01
چکیده: Abstract: چکیده: زمینه: با بیش از یک میلیون و چهارصد هزار مورد ابتلای جدید سالانه و بیش از هفتصد هزار مورد منجر به فوت، سرطان روده بزرگ (کولورکتال- CRC) در رده سوم سرطان¬های شایع قرار می¬گیرد. سرطان کولورکتال شامل سرطان کولون و راست¬روده، به علت رشد غیر طبیعی سلول¬های سرطانی با قدرت تهاجم و تکثیر در سایر بافت¬های بدن در موضع کولون یا راست¬روده پدیدار می¬شود. با توجه به مرحله، درجه و محل این سرطان استراتژی¬های درمانی مختلفی به کار بسته می¬شود. حدود 10 تا 20 درصد موارد ابتلا به سرطان کولورکتال را بیماران مبتلا به سرطان راست روده پیشرفته موضعی (LARC) تشکیل می¬دهند. روش درمان استاندارد در این سرطان شیمی-پرتو¬درمانی قبل از عمل جراحی (PCRT) است. این استراتژی درمانی برخی اثرات جانبی در دراز¬مدت به همراه دارد؛ ضمن آن که قسمت قابل توجهی از بیماران نیز (حدود 60 درصد) به این درمان پاسخ نمی¬دهند. لذا، بررسی بیومارکرهایی که در پیش¬بینی پاسخ بیماران این سرطان به این درمان به کار آیند، اهمیت به¬سزایی دارد. طی سالیان اخیر توانایی بیومارکرهای مختلف ژنتیکی در شناسایی و پیش¬آگهی در انواع مختلفی از سرطان از جمله سرطان کولورکتال بررسی و اثبات شده است. معمولا مدل¬های ساخته شده با استفاده از این بیومارکر¬ها مدل¬های بسیار ساده¬ای هستند. یکی از چالش¬های موجود در این زمینه محدودیت عملکرد این مدل¬ها در پیش¬بینی پاسخ به درمان بیماران مبتلا به این سرطان است؛ معمولا سطح زیر نمودار ROC زیر 0.8 برای آن¬ها گزارش می¬شود. علاوه بر آن، در اکثر قریب به اتفاق پژوهش¬ها برای انتخاب بیومارکر¬های بیان ژن مناسب، به صرف استفاده از معیار بیان متمایز ژنی اکتفا می¬شود. هدف و روش¬ها: با پیشرفت روزافزون توان محاسباتی سخت¬افزار¬های موجود، تمرکز پژوهشگران از علوم مختلفی نظیر آمار، مهندسی کنترل، مهندسی مخابرات، مهندسی نرم افزار، علوم کامپیوتر، بیوانفورماتیک و غیره به سوی علوم داده سوق داده شده¬است. لذا، به استفاده از روش¬های هوش محاسباتی و باصطلاح یادگیری ماشینی در بسیاری از علوم از جمله علوم پزشکی اقبال گسترده¬ای شده است. از این روش¬ها عموما برای طبقه¬بندی، خوشه¬بندی، تحلیل سری¬های زمانی، رگرسیون و کاربرد-های دیگر در علوم پزشکی استفاده می¬شود. در این مطالعه با استفاده از دادههای بیان ژن بیماران مبتلا به سرطان راست¬روده پیشرفته موضعی، سعی در شناسایی ژن¬هایی شده است سطح بیان آن¬ها نشان¬گر خوبی از وضعیت پاسخ به درمان بیماران باشد؛ تا با استفاده از یک مجموعه ژن مناسب درکنار یک مدل یادگیری کارآمد بتوان پاسخ بیماران این سرطان به درمان استاندارد را پیش¬بینی کرد. در داده¬های بیان ژن استفاده از روش¬های انتخاب ژن، که خود به طور کلی زیر مجموعه¬ای از روش¬های انتخاب ویژگی هستند، به دلایل مختلف ضرورت می¬یابد؛ این داده¬ها معمولا شامل تعداد زیادی ژن و تعداد به نسبت بسیار کمی نمونه هستند و انتخاب ژن علاوه بر کمک به پیداکردن ژن¬های موثر و مهم، برای افزایش کارآیی مدل ساخته شده نیز ضرورت دارد. لذا سعی شده است تا با به¬کارگیری روش¬های انتخاب ویژگی مختلف بر روی این داده¬ها، ضمن بررسی و مقایسه عملکرد این روش¬ها، بهینه¬ترین مجموعه¬های ژن¬ها انتخاب شود. از آن¬جایی که نهایتاً برای پیش¬بینی پاسخ به درمان بیماران با استفاده از داده¬های ژنتیکی، یک الگوریتم طبقه¬بندی¬کننده نقش اساسی را ایفا خواهد کرد، یکی از محور¬های تمرکز این پژوهش بر روی بررسی و مقایسه عملکرد طبقه¬بندی¬کننده¬های مختلف اعم از طبقه¬بندی¬کننده¬های کلاسیک و طبقه¬بندی-کننده¬های مبتنی بر شبکه¬های عصبی مصنوعی در کنار پروفایل¬های ژنتیکی به دست آمده از روش¬های انتخاب ژن بوده است. نتایج: بهینه¬ترین نتایج این پژوهش حاصل استفاده از الگوریتم ژنتیک به عنوان روش انتخاب ژن برای طبقه¬بندی¬کننده رگرسیون لجستیک بوده است. با استفاده از این روش، دو مجموعه یکی شامل 44 ژن و دیگری شامل پنج ژن معرفی شده-است. در انتخاب مجموعه اول هدف به دست آوردن بالاترین دقت طبقه¬بندی¬کننده با کمترین تعداد ژن¬های ممکن بوده¬است؛ در مجموعه دوم نیز هدف انتخاب کمترین تعداد ممکن ژن، ضمن حفظ دقت طبقه¬بندی¬کننده در حد قابل قبول بوده¬است. هر دو مجموعه معرفی شده توان چشم¬گیری در جدا کردن پاسخ¬دهندگان به درمان از گروهی که به درمان پاسخ نمی¬دهند، دارند. عملکرد این مجموعه¬ها با توجه به معیار¬های مختلف، از عملکرد ژن¬های معرفی شده در مطالعات قبلی بهتر است (دقت = 97/0 81/0، حساسیت = 96/0 و 77/0، ویژگی = 96/0 و 83/0 و سطح زیر نمودار ROC = 99/0 و 85/0 به ترتیب برای مجموعه اول و دوم با استفاده از رگرسیون لجستیک). بررسی مسیرهای KEGG مرتبط با مجموعه اول و ژن¬های مجموعه دوم نشان داد که ژن¬های انتخاب شده در هر دو مجموعه کاملا معنادار هستند. در نهایت سعی شد تا بررسی بایاس و واریانس خطای مدل رگرسیون لجستیک و خوشه¬بندی داده¬ها بر حسب بایاس مدل، مسیر¬های احتمالی دخیل در پاسخ به درمان در این سرطان، بیشتر بررسی شود. از دید مهندسی سیستم میتوان فرم کلی این مسئله را در قالب یک سیستم که دچار عیب شده است بررسی نمود. به بیان ترمینولوژی مهندسی سیستم، هدف شناسایی و انتخاب سیگنال¬های مناسبی است که با توجه به اندازه این سیگنال¬ها، بتوان تعیین کرد آیا اعمال کنترل متداول به این سیستم، آن را روی مسیر پیش¬بینی شده به حالت مطلوب نهایی خواهد رساند. در غیر این صورت پزشک معالج میتواند با پیش¬آگهی به دست آمده، سعی در اعمال ورودی دیگری داشته باشد و از فوت وقت ارزشمند جلوگیری نماید. نتیجه¬گیری: استفاده از روش¬های انتخاب ویژگی مناسب در داده¬های بیان ژن می¬تواند منجر به انتخاب مجموعه¬های کارآمدی شود که به خوبی بتوانند در کنار الگوریتم¬های یادگیری به عنوان بیومارکر¬های پیش¬بینی پاسخ به درمان عمل کنند. علاوه بر آن، با بررسی مجموعه¬های انتخاب شده از منظر معیار¬های مختلف مورد استفاده در علم داده می¬توان دید بهتری از دینامیک¬های دخیل در مسئله مورد نظر به دست آورد. پیشنهادات: علاوه بر کمک به پژوهش¬های آتی که بررسی مسیرهای موثر در پاسخ به درمان در سرطان کولورکتال پیش¬رفته موضعی را هدف گرفتهاند، مدل معرفی شده در این مطالعه می¬تواند پس از گذراندن استانداردهای لازم، نقش قابل توجهی به عنوان یک ابزار کاربردی در پیش¬بینی نتیجه درمان بیماران مبتلا به این سرطان داشته باشد.
به اطلاع متقاضیان دکترای سال تحصیلی 1404-1403 رشته های مهندسی (مکانیک - کامپیوتر - برق - مواد - عمران - صنایع) دانشگاه بوعلی سینا می رساند، فهرست اساتید پذیرنده دانشکده مهندسی...
به اطلاع می رساند یک شرکت دانش بنیان در اصفهان نیازمند خدمات تحقیقاتی دانش آموختگان رشته های مواد و شیمی بوده و استخدام می کند. علاقمندان جهت کسب اطلاعات بیشتر و هماهنگی با شماره 03133879868 در...
به گزارش بسنا، مراسم افتتاحیه این پروژه با حضور محمدعلی زلفیگل وزیر علوم، تحقیقات و فناوری و دکتر علیرضا قاسمیفرزاد استاندار همدان، معاونان وزارتخانههای علوم و مسئولان استانی و ریاست...
دفتر هدایت استعدادهای درخشان دانشگاه بوعلیسینا فهرست اسامی دانشجویان برگزیده آموزشی پژوهشی پانزدهمین همایش سالانه دفتر هدایت استعدادهای درخشان سال ۱۴۰۲ را منتشر کرد. اسامی دانشجویان...
بهراد توتونچی دبیر انجمن علمی دانشجویی مهندسی عمران دانشگاه بوعلی سینا، در جلسه ای با حضور نمایندگان دانشگاه های سراسر کشور، با کسب اکثریت آرا انتخابات، به عنوان دبیر...
در هشتمین نشست از دوره یازدهم هیأت ممیزه دانشگاه بوعلیسینا، آقای دکتر علیرضا حاتمی دارای مدرک دکتری در رشته مهندسی برق با ر أ ی اعضاء از مرتبه...
بدینوسیله انتخاب آقای دکتر آرش فتاح الحسینی را به عنوان پژوهشگر برگزیده دانشگاه در گروه فنی و مهندسی به ایشان و خانواده علمی دانشکده مهندسی تبریک عرض نموده و از خداوند متعال...
بدینوسیله انتخاب دو تن از دانشجویان دانشکده مهندسی مهندس راضیه چهارمحالی در مقطع دکتری رشته مهندسی مواد شاخه خوردگی و مهندسی سطح و مهندس امین نظری در مقطع...
بدینوسیله انتخاب سه عضو هیات علمی دانشکده مهندسی جناب آقایان دکتر جواد بهنامیان ، دکتر حسن علم خواه و دکتر محسن گودرزی در...
براساس اطلاعات پایگاه شاخصهای اساسی علم (ESI)، حضوردکتر محمد حسن مرادی از گروه مهندسی برق دانشکده مهندسی در زمره پژوهشگران پراستناد یک درصد برتر دنیا استمرار پیدا کرد. ...
بدینوسیله انتخاب اعضا محترم هیات علمی سرکار خانم دکتر سموئی (گروه مهندسی صنایع)، جناب آقایان دکتر بابائی (گروه مهندسی عمران)، دکتر حاتمی (گروه مهندسی برق)، دکتر ختن لو (گروه مهندسی...
بدینوسیله انتخاب چهار عضو هیات علمی دانشکده مهندسی جناب آقای دکتر جواد بهنامیان از گروه مهندسی صنایع به عنوان پژوهشگر اول برگزیده، جناب آقای دکتر حسن علم خواه از گروه...
به گزارش بسنا و به نقل از سازمان سنجش، آزمون مرحله نهایی بیست و هشتمین دوره المپیاد علمی دانشجویی کشور با حضور نفرات برگزیده آزمون کارشناسی ارشد (متمرکز) و آزمون غیرمتمرکز المپیاد در دانشگاههای...
به اطلاع دانشجویان محترم می رساند سایت کامپیوتر کارشناسی دانشکده مهندسی به دلیل انجام ثبت نام دانشجویان کارشناسی ورودی 1402 از شنبه 1402/7/22 به مدت یک هفته تعطیل می باشد.
به گزارش بسنا و به نقل از معاونت علمی فناوری ریاست جمهوری، در هشتمین دوره تجلیل از سرآمدان علمی کشور در سال ۱۴۰۲ که با حضور معاون علمی و فناوری و اقتصاد دانشبنیان رئیسجمهور و وزیر علوم...
به اطلاع دانشجویان ورودی جدید تحصیلات تکمیلی (ارشد و دکترا) می رساند، یکشنبه 23 مهر ساعت 11 الی 13 در محل آمفی تئاتر دانشکده مهندسی جلسه معارفه با هیات رییسه دانشکده برگزار می شود. ...
بر اساس اطلاعات جدید نمایه استنادی معتبر scopus ۲۰۲۳، با بررسی مقالات مربوط به ۲۰۲۲، 4 عضو هیات علمی و 1 دانش آموخته دانشکده مهندسی و با بررسی کل مقالات مربوط به سال های مختلف، 1 نفر از اعضای هیات...
نظر به مراتب تعهد، تخصص و تجارب ارزشمند جناب آقای دکتر حسن علم خواه و بنا به پیشنهاد رئیس دانشکده مهندسی، به موجب ابلاغی ایشان با حفظ سمت آموزشی به مدت 2 سال به عنوان...
در حکمی از طرف ریاست دانشگاه آقای دکتر امیرسامان خیرخواه به عنوان مدیر گروه رشته مهندسی صنایع منصوب گردید. در این حکم آمده است : « با احترام و آرزوی توفیق الهی، نظر به مراتب تعهد و تجارب...
در حکمی از طرف ریاست دانشگاه آقای دکتر صالح رازینی به عنوان مدیر گروه رشته مهندسی برق منصوب گردید. در این حکم آمده است : « با احترام و آرزوی توفیق الهی، نظر به مراتب تعهد و تجارب ارزنده...