|
Title
|
یادگیری بازنمایی عناصر زیستی-پزشکی با استفاده از گرافهای ناهمگن
|
|
Type of Research
|
Thesis
|
|
Keywords
|
بازنمایی، یادگیری بازنمایی، گراف، گراف ناهمگن، عناصر زیستی-پزشکی
|
|
Abstract
|
در طول دهه ی گذشته، افزایش قابل توجهی در میزان داده های زیستی-پزشکی همچون توالی DNA و پروتئین وجود داشته و استفاده از داده های زیستی-پزشکی در علم کامپیوتر بسیار زیاد شده است. مسائل پزشکی و بیماری های گوناگون در طول زمان مشکلات اساسی و مسئله ی اساسی زندگی انسان بوده است. انسان ها در طول زمان در صدد برطرف کردن این نیاز بوده اند. شناسایی عوامل بیماری زای جدید و پیدا کردن راه های مقابله با آن ها به صورت آزمایشگاهی بسیار زمان بر و پرهزینه است و همچنین گذر زمان باعث گسترش بیماری و افزایش تلفات می گردد. خوشبختانه برای حل این مسائل به کمک علم کامپیوتر، روش های گوناگونی ارائه شده است و روش های مختلفی برای پردازش و استفاده از داده های زیستی-پزشکی برای حل مسائل مختلف وجود دارد، روش هایی که می توانند با صرفه جویی در زمان و هزینه باعث کنترل بیماری و کاهش تلفات گردند. عناصر مختلف زیستی-پزشکی همانند پاتوژن ها، بیماری ها، داروها، پروتئین ها و ... با هم در ارتباط هستند و این ارتباطات و عناصر یک گراف ناهمگن را تولید میکنند. برای استفاده از این داده ها در روش های یادگیری ماشین، استخراج بهینه ویژگی های هر عنصر بسیار اهمیت دارد و برای این کار استفاده از ارتباطات و اطلاعات همسایگی هر عنصر میتواند بسیار مفید واقع شود. بدین ترتیب نیاز به یک روش یادگیری گراف ناهمگن برای استفاده از این اطلاعات است. بازنمایی استخراج شده از این گراف برای هر عنصر میتواند در روش های یادگیری ماشین برای حل مسائل مختلفی مانند پیشبینی ارتباطات بین پروتئین های میزبان و پاتوژن یا مسائل پیشنهاد دارو بسیار مفید واقع شود.
برای یادگیری بازنمایی داده های زیستی-پزشکی از گراف ناهمگن زیستی-پزشکی استفاده خواهد شد که عناصر مختلفی همچون بیماری، فنوتیپ، دارو، پروتئین و ... گرههای گراف را تشکیل میدهند و یال های گراف نیز انواع ارتباطات مختلف بین عناصر هستند. برای این کار در ابتدا نیاز به تولید این گراف ناهمگن با تجمیع داده های پراکنده ی موجود میباشد. در ادامه نیاز به ارائه یک روش یادگیری بازنمایی برای عناصر گراف مذکور است، به طوری که براساس ماهیت گراف با داده های زیستی-پزشکی باشد و بتواند بازنمایی هایی با کیفیت بالا تولید کند تا در کاربردهای مختلف بیوانفورماتیک همچون پیش بینی ارتباطات بین پ
|
|
Researchers
|
(Student)، Esmaeil Nourani (Primary Advisor)، Asgarali Bouyer (Advisor)
|