تحقق طبقه بندی ژن‌های انگیزاننده سرطان

به گزارش خبرگزاری صدا و سیما به نقل از روابط عمومی دانشگاه تربیت مدرس؛ پژوهشگران گروه مهندسی فناوری اطلاعات دانشگاه تربیت مدرس در پژوهشی به طبقه بندی ژن‌های انگیزاننده سرطان با استفاده از روش انتشار رخنه گر و یادگیری بازنمایی در شبکه‌های تنظیم ژنی پرداختند. نتایج حاصل از این پژوهش نشان داد که روش‌های پیشنهادی نسبت به سایر روش‌های محاسباتی و شبکه‌ای پیشین، عملکرد مناسب‌تری دارند.

سرطان از بیماری‌های مرگباری است که در آن سلول بدون کنترل و خارج از ساز وکار تنظیمی سلولی دچار رشد و تکثیر می‌شود، در این بیماری برخی ژن‌ها شروع کننده ناهنجاری هستند و آن‌ها را از طریق برهمکنش‌های پروتئینی به دیگر ژن‌ها منتقل می‌کنند، گسترش این ناهنجاری‌ها باعث می‌شود که سامانه تنظیمی سلول دچار اختلال شود و بیماری‌های مختلف و به ویژه سرطان روی دهد؛ این ژن‌ها که آغاز کننده ناهنجاری در سلول هستند با نام ژن‌های انگیزاننده شناخته می‌شوند.

تا کنون روش‌های محاسباتی مختلفی برای شناسایی ژن‌های انگیزاننده سرطان معرفی شده است که بیشتر از مفهوم جهش و از داده‌های ژنومیک برای شناسایی ژن‌های انگیزاننده استفاده می‌کنند، این روش‌ها اغلب دارای نرخ مثبت کاذب بالا و F-measure پایین در نتایج هستند، همچنین قادر به شناسایی تعداد محدودی از ژن‌های انگیزاننده هستند.

در این پژوهش که در قالب رساله دکترای تخصصی آقای مصطفی اخوان صفار در رشته مهندسی فناوری اطلاعات-مدیریت سیستم‌های اطلاعاتی انجام شد، ابتدا به بررسی روش‌های محاسباتی و شبکه‌ای پیشین در خصوص شناسایی ژن‌های انگیزاننده سرطان پرداخته شده، سپس سه روش جدید مبتنی بر شبکه برای شناسایی ژن‌های انگیزاننده سرطان پیشنهاد شده است.

در این روش‌ها از مفهوم پایه‌ای انتشار رخنه گر در شبکه‌های جهت دار تنظیم ژنی، استفاده شده و برخلاف روش‌های پیشین به داده‌های جهش و ژنومیک وابسته نیستند، در هرکدام از روش‌های پیشنهادی، الگوریتم‌های پایه‌ای مورد استفاده در آن جهت اعمال در شبکه‌های تنظیم ژنی مناسب‌سازی شده و با داده‌های زیستی غنی‌سازی شده‌اند.

یکی از چالش‌های موجود در شبکه‌های تنظیم ژنی، یافتن قدرت برهمکنش‌های تنظیمی است، در این پژوهش با استفاده از مفهوم نفوذ در شبکه‌های اجتماعی و اصل تعادل جریان در نظریه شبکه، روشی جدید برای وزن دهی برهم کنش‌های تنظیمی نیز پیشنهاد شده است.

همچنین علاوه بر روش‌های مبتنی بر انتشار رخنه‌گر، روشی برای شناسایی ژن‌های انگیزاننده پیشنهاد شد که قادر است با تبدیل مسئله شناسایی ژن‌های انگیزاننده، به یک مسئله طبقه بندی دودویی مبتنی بر انتشار در یادگیری ماشین، ژن‌های انگیزاننده سرطان را شناسایی کند، سپس نشان داده شد که با استفاده از روش‌های یادگیری بازنمایی می‌توان عملکرد مدل‌های طبقه بندی دودویی را بهبود بخشید و آن‌ها را در تحقیقات آینده بیشتر استفاده کرد.

برای این منظور الگوریتم‌های مختلف یادگیری بازنمایی دسته‌بندی شده است و از هر دسته چندین الگوریتم آزمایش و بررسی شد، داده‌های مورد استفاده در این پژوهش شامل برهم کنش‌های تنظیمی جهت دار و داده‌های بیان ژن مربوط به سه بافت مختلف برای ساخت شبکه‌های تنظیم ژنی و نیز چهار مجموعه داده استاندارد ژن‌های انگیزاننده سرطان برای ارزیابی نتایج است، نتایج حاصل از روش‌های پیشنهادی، با ۲۲ روش محاسباتی و شبکه‌ای دیگر مقایسه شده است.

نتایج این طرح نشان می‌دهد، روش‌های پیشنهادی نسبت به سایر روش‌های محاسباتی و شبکه‌ای پیشین عملکرد مناسب‌تری دارند، در مقایسه با بهترین روش شبکه‌ای پیشین، بهترین روش پیشنهادی از نظر تعداد ژن‌های انگیزاننده تشخیصی، در بافت‌های روده، ریه و سینه، با شناسایی ۲۰۹، ۱۹۹ و ۲۰۳ ژن انگیزاننده سرطان به ترتیب ۸۴، ۴۰ و ۹۷ درصد بهبود عملکرد داشته است.

همچنین از نظر شناسایی تعداد ژن‌های انگیزاننده منحصر به فردی که دیگر روش‌ها، آن‌ها را شناسایی نکرده‌اند، روش پیشنهادی در بافت‌ها‌ی روده، ریه و سینه با شناسایی ۸۹، ۱۴۷ و ۹۹ ژن انگیزاننده سرطان منحصربه فرد، به ترتیب ۵۱، ۳۴ و ۵۶ درصد بهبود عملکرد داشته است، ضمن اینکه در هر سه سرطان از لحاظ معیار F-measure نسبت به روش‌های پیشین عملکرد بالاتری دارد و از این نظر نیز در بافت‌های روده، ریه و سینه به ترتیب ۱۵.۴۲، ۱۶.۷ و ۱.۶۴ درصد بهبود داشته است.

همچنین نتایج نشان داد که استفاده از روش‌های یادگیری بازنمایی می‌تواند به بهبود عملکرد مدل طبقه بندی دودویی مبتنی بر انتشار کمک کند و در تحقیقات آینده بیشتر استفاده شود، علاوه بر این با توجه به نتایج به دست آمده، الگوریتم‌های یادگیری بازنمایی مبتنی بر تجزیه ماتریس و روش‌های مبتنی بر مدل سازی یال بهترین عملکرد را در شبکه‌های تنظیم ژنی دارد و برای استفاده در این شبکه‌ها مناسب‌تر هستند.

نتایج حاصل از این پژوهش نشان داد که روش‌های انتشار رخنه گر علاوه بر اینکه می‌تواند به حل مسئله شناسایی ژن‌های انگیزاننده سرطان در شبکه‌های تنظیم ژنی کمک کند، هم از نظر معیار‌های کارایی و هم از نظر تعداد ژن انگیزاننده شناسایی شده، باعث بهبود عملکرد روش‌های محاسباتی و شبکه‌ای پیشین نیز شده است.

همچنین مشخص شد که استفاده از رویکرد‌های یادگیری بازنمایی برای استفاده در مدل‌های طبقه بندی دودویی مبتنی بر انتشار باعث بهبود کارایی مدل‌ها می‌شود و در این خصوص استفاده از الگوریتم‌های یادگیری بازنمایی مبتنی بر تجزیه ماتریس و الگوریتم‌های مبتنی بر مدل سازی یال نسبت به سایر الگوریتم‌های یادگیری بازنمایی، بالاترین عملکرد را در شبکه‌های تنظیم ژنی دارد.

این پژوهش با راهنمایی دکتر بابک تیمور پور عضو هیئت علمی دانشکده مهندسی صنایع و سیستم‌ها انجام شد.