وبگاه ازو ای آی در گزارشی آورده است که در مقالهای که اخیرا در مجله نیچر بیومدیکال انژینییرینگ منتشر شد
چارچوب دیپ پروفایل برای تحلیل ژن سرطان با استفاده از یادگیری عمیق معرفی شد
وبگاه ازو ای آی در گزارشی آورده است که در مقالهای که اخیرا در مجله نیچر بیومدیکال انژینییرینگ منتشر شد، پژوهشگران چارچوب جدیدی به نام دیپ پروفایل را معارفه کردند.
این چارچوب از راهحلهای یادگیری عمیق بدون نظارت برای تجزیه و تحلیل دادههای گفتن ژن از پنجاه هزار و دویست و یازده ترانسکریپتوم در هفده سرطان بشر استفاده میکند.
هدف اصلی این پژوهش، افزایش دانش در مورد زیستشناسی است تا برای تشخیص بهتر و طراحی درمانهای مؤثرتر از این بیماری استفاده شود.
تجزیه و تحلیل گفتن ژن به پیشرفت کرده که آن پیدایش فناوریهای توالییابی با توان بالا و راهحلهای محاسباتی پیچیده است.
در روشهای سنتی، همچون تحلیل مؤلفههای مهم و رگرسیون خطی، سعی میشود روابط پیچیده و غیرخطی دادههای زیستاخناتی را نشان دهد، اما این کار به دلیل محدودیتها
تغییرات اخیر در یادگیری ماشین، بهویژه در حوزه یادگیری عمیق، وم بیوانفورماتیک را دگرگون کرده است.
مدلهایی مانند شبکههای عصبی کانولوشنال و رمزگذارهای خودکار متغیر، الگوهای پیچیده بین ژنها را به طور مؤثر شناسایی کردهاند.
این مدلها در پردازش حجم بسیار زیاد دادهها بینظیر عمل میکنند و برای تجزیه و تحلیل پروفایلهای گفتن ژن در انواع گوناگون سرطان، مناسباند.
دیپ پایل بهطور ویژهای از یک روش یادگیری گروهی استفاده میکند و چندین رمزگذار خودکار متغیر با ابعاد مختلف فضاى نهان و مقداردهی اولیه تصادفی را ترکیب میکند.
این ترکیب باعث میشود نمایشهای نهفته پایدار و قابل زیستشناختی ساخته شود.
ادغام انواع دادههای متنوع، از جمله ویژگیهای بالینی و ژنتیک، جهت ارتقای قابل فهم̇ تحلیلهای گفتن جين در تخصیص داده شده است.
چارچوب دیپ پ گام مهمی در تجزیه و تحلیل دادههای گفتن جين سرطان به شمار میرود.
پژوهشگران از یادگیری عمیق پیشرفته و مدلسازی گروهی برای رفع چالشهای در درک زیستیت استفاده کرده و اطلاعات مهمی فاش کردند.
این اطلاعات میتواند در درک ناهمگونی سرطان و تأثیر آن بر مراقبت از بیماران مؤثر باشد.
اتصال پروفایلهای گفتن جين با نتایج بالینی، گامی اساسی در پیشبرد پزشکی شخصیسازی در سرطانشناسی محسوب میشود.
