The Journal of Shahid Sadoughi University of Medical Sciences

fa شناسایی مهارکننده جدید گیرنده دوم فاکتور رشد اندوتلیال عروقی با استفاده از مدل طبقه‌بندی ماشین‌بردار پشتیبان Finding New VEGFR2 Inhibitors Using Support Vector Machine Classification Model سایر other پژوهشي Original article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: In our current era, the prevalence of cancer and its associated mortality rates have become a pressing concern. As such, finding effective methods for treating cancer has become a matter of significant importance. Abnormal angiogenesis is one of the common characteristics of different types of cancer. So far, the inhibition of vascular endothelial growth factor receptor 2 signaling pathway has received much attention due to its pro-angiogenic role. Therefore, finding reliable computational models to identify inhibitors can be effective in reducing time and cost. The purpose of this study was to use the support vector machine method to classify compounds into two inhibitory and non-inhibitory groups. Methods: In order to implement the machine learning model, the ligands studied in this research were extracted from the https://www.bindingdb.org database and after passing the necessary pre-processing, some filter-based and embedded feature selection methods were used.  After extracting the descriptors from the data, using the feature selection algorithm based on correlation, the dimensions of the data have been reduced in order to avoid overfitting the model. The classification task utilized a support vector machine model, employing various kernels such as Radial Basis Function (RBF), Polynomial, Sigmoid, and Linear. Results: The implementation of the support vector machine model with the RBF kernel along with the feature selection method based on correlation has resulted in a higher accuracy of 82.4% (P=0.008) compared to other feature selection methods used in this study. Conclusion: Observations indicate that the correlation-based feature selection method is more accurate than other methods used in this study.  </div> گیرنده دوم فاکتور رشد اندوتلیال عروق, رابطه کمی ساختار فعالیت, ماشین‌بردار پشتیبان, رگ‌زایی Vascular Endothelial Growth Factor Receptor II, Quantitative Structure-Activity Relationship, Support Vector Machine, Angiogenesis. 7108 7116 http://jssu.ssu.ac.ir/browse.php?a_code=A-10-5145-1&slc_lang=fa&sid=1 Nooshin Arabi نوشین عربی Nooshin.arabi260@yahoo.com 0000-0003-3695-6090 No Department of Bioelectric, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه بیوالکتریک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Mohammad Reza Torabi محمدرضا ترابی mohammadreza.torabi73@gmail.com 0000-0003-1938-3569 No Department of Bioinformatics, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه بیوانفورماتیک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Afshin Fassihi افشین فصیحی Fassihi@pharm.mui.ac.ir 0000-0002-3897-9723 No Department of Medicinal Chemistry, Faculty of Pharmacy, Isfahan University of Medical Sciences, Isfahan, Iran. گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Fahimeh Ghasemi فهیمه قاسمی f_ghasemi@amt.mui.ac.ir 0000-0001-9333-4699 Yes Department of Bioinformatics, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran. گروه بیوانفورماتیک، دانشکده فناوری‌های نوین علوم پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران.