دوره 31، شماره 10 - ( دی 1402 )
جلد 31 شماره 10 صفحات 7116-7108 |
برگشت به فهرست نسخه ها
Ethics code: IR.MUI.RESEARCH.REC.1400.322
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Arabi N, Torabi M R, Fassihi A, Ghasemi F. Finding New VEGFR2 Inhibitors Using Support Vector Machine Classification Model. JSSU 2024; 31 (10) :7108-7116
URL: http://jssu.ssu.ac.ir/article-1-5979-fa.html
URL: http://jssu.ssu.ac.ir/article-1-5979-fa.html
عربی نوشین، ترابی محمدرضا، فصیحی افشین، قاسمی فهیمه. شناسایی مهارکننده جدید گیرنده دوم فاکتور رشد اندوتلیال عروقی با استفاده از مدل طبقه‌بندی ماشین‌بردار پشتیبان. مجله علمي پژوهشي دانشگاه علوم پزشكي شهید صدوقی يزد. 1402; 31 (10) :7108-7116
چکیده: (423 مشاهده)
مقدمه: امروزه با شیوع گسترده سرطان و افزایش مرگ و میر ناشی از آن، راههای موثر برای درمان سرطان از اهمیت بالایی برخوردار است. رگ‌زایی غیرطبیعی، یکی از ویژگی‌های مشترک انواع مختلف سرطان شناخته شده است. تا کنون مهار مسیر سیگنالینگ گیرنده دوم فاکتور رشد اندوتلیال عروق، به دلیل نقش پیش رگ‌زایی آن ببسیار مورد توجه قرار گرفته است. از اینرو، یافتن مدل‌های محاسباتی قابل اطمینان برای شناسایی مهارکننده‌ها می‌تواند در کاهش زمان و هزینه موثر باشد. هدف از این مطالعه به‌کارگیری روش ماشین‌بردار پشتیبان جهت طبقه‌بندی ترکیبات در دو گروه مهارکننده و غیرمهارکننده می‌باشد.
روش بررسی: به‌منظور پیاده‌سازی مدل یادگیری ماشین، لیگاندهای مورد مطالعه در این پژوهش از پایگاه داده https://www.bindingdb.org استخراج گردید و پس از گذراندن پیش پردازش‌های لازم برخی روش‌های انتخاب ویژگی مبتنی بر فیلتر و تعبیه شده مورد استفاده قرار گرفته شد. پس از استخراج توصیفگرها از داده‌ها، با استفاده از الگوریتم انتخاب ویژگی مبتنی بر همبستگی ابعاد داده کاهش یافته است تا بدین طریق از بیش برازش مدل جلوگیری شود. برای طبقه‌بندی از مدل ماشین‌بردار پشتیببان به همراه کرنل‌های Radial Basis Function (RBF)، Polynomial، Sigmoid و Linear استفاده شده است.
نتایج: پیاده‌سازی مدل ماشین‌بردار پشتیبان با کرنل RBF به همراه روش انتخاب ویژگی مبتنی بر همبستگی صحت بالاتری به میزان (0/008 (P=82/4%) نسبت به سایر روش‌های انتخاب ویژگی بکار گرفته شده در این مطالعه به همراه داشته است.
نتیجه‌گیری: مشاهدات بیانگر آن است که روش انتخاب ویژگی مبتنی بر همبستگی، نسبت به سایر روش‌های به‌کار گرفته شده در این مطالعه از صحت بالاتری برخوردار است.
روش بررسی: به‌منظور پیاده‌سازی مدل یادگیری ماشین، لیگاندهای مورد مطالعه در این پژوهش از پایگاه داده https://www.bindingdb.org استخراج گردید و پس از گذراندن پیش پردازش‌های لازم برخی روش‌های انتخاب ویژگی مبتنی بر فیلتر و تعبیه شده مورد استفاده قرار گرفته شد. پس از استخراج توصیفگرها از داده‌ها، با استفاده از الگوریتم انتخاب ویژگی مبتنی بر همبستگی ابعاد داده کاهش یافته است تا بدین طریق از بیش برازش مدل جلوگیری شود. برای طبقه‌بندی از مدل ماشین‌بردار پشتیببان به همراه کرنل‌های Radial Basis Function (RBF)، Polynomial، Sigmoid و Linear استفاده شده است.
نتایج: پیاده‌سازی مدل ماشین‌بردار پشتیبان با کرنل RBF به همراه روش انتخاب ویژگی مبتنی بر همبستگی صحت بالاتری به میزان (0/008 (P=82/4%) نسبت به سایر روش‌های انتخاب ویژگی بکار گرفته شده در این مطالعه به همراه داشته است.
نتیجه‌گیری: مشاهدات بیانگر آن است که روش انتخاب ویژگی مبتنی بر همبستگی، نسبت به سایر روش‌های به‌کار گرفته شده در این مطالعه از صحت بالاتری برخوردار است.
واژه‌های کلیدی: گیرنده دوم فاکتور رشد اندوتلیال عروق، رابطه کمی ساختار فعالیت، ماشین‌بردار پشتیبان، رگ‌زایی
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
