|
Title
|
: ارائه یک رویکرد برچسب گذاری چندگانه مبتنی بر یادگیری عمیق برای تفسیر نقش ژن ها در خطوط سیر سرطان
|
|
Type of Research
|
Thesis
|
|
Keywords
|
برچسب گذاری چندگانه، متن کاوی منابع علمی، یادگیری عمیق، سرطان، شبکه های عصبی عمیق، خط سیر
|
|
Abstract
|
بیماری سرطان یکی از کشنده ترین بیماری ها و عامل 20 درصد مرگ و میر در سراسر جهان است. شناسایی ژن های دخیل در این بیماری و تفسیر چگونگی تاثیر آن ها در بوجود آمدن سلول های سرطانی به تکمیل خطوط سیر منتهی به انواع سرطان ها می انجامد و تاثیر بسزایی در کشف روش های درمانی جدید برای درمان این بیماری دارد. بخش اعظم این کار معمولا به صورت دستی توسط افراد متخصص انجام می شود. یکی از منابع مهم اطلاعات برای این افراد آخرین یافته های منتشر شده در مقالات علمی است که با افزایش تصاعدی و روزافزون تعداد مقالات علمی منتشر شده، این کار هر روز دشوارتر می شود. بطوریکه فاصله بین دانش استخراج شده از مقالات و به روزترین اطلاعات منتشر شده در آن ها در حال افزایش است. روش های یادگیری ماشین و به خصوص یادگیری عمیق نقش بسزایی در افزایش سرعت استخراج اطلاعات در زمینه ی بیوانفورماتیک در سال های اخیر داشته اند. در مسئله ی تفسیر کارکرد ژن بر اساس متون مقالات، به علت اینکه داده از نوع غیرساختارمند است، پیچیدگی بالایی بین ویژگی ها وجود دارد و نیاز به یک معماری شبکه عصبی مناسب برای یافتن الگو در این نوع داده غیر قابل اجتناب است. در این پژوهش علاوه بر ارائه یک معماری یادگیری عمیق برای بهبود نتایج، با وزن دهی به ویژگی ها براساس موقعیت کلمات در متن و نرمال سازی نام ژن ها سعی می شود مدل مناسبی برای مسئله مورد هدف ارائه شود.
|
|
Researchers
|
Maryam SatarnejadGolchin (Student)، Mahdi Hashemzadeh (Primary Advisor)، Vahideh Tarhriz (Advisor)
|