|
|
دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
|
|
|
| عنوان فارسی |
روش‌های مبتنی بر هوش مصنوعی جهت پیش‌بینی تعاملات دارو-هدف |
|
| چکیده فارسی مقاله |
چکیده مقدمه: توسعه دارو، فرآیندی گران و وقتگیر و با نرخ موفقیت پایین است. در دهه های اخیر، نرخ تعداد داروهای جدید مورد تایید سازمان غذا و دارو در مقابل مقدار پول سرمایه گذاری شده در تحقیق و توسعه دارویی پایین بوده است، به همین دلیل توسعه دهندگان به دنبال کاربردهای جدید برای داروهای موجود یا رهاشده بودند. در کنار آن، تلاش هایی برای توسعه روش های پیش بینی تعاملات دارو-هدف صورت گرفته است. شناسایی تعاملات دارو-هدف یک فرآیند مهم در کشف دارو و کاربردیابی مجدد دارو است. داروها تاثیرات خاصی بر روی پروتئین ها در داخل بدن انسان دارند که به آنها اهداف می گویند. شبکه تعاملات دارو-هدف، یک گراف با دو نوع گره است که عبارتند از: دارو و هدف. در این گراف، یال نشان دهنده یک تعامل میان دارو و هدف است. اهداف در بدن انسان به چهار کلاس تقسیم می شوند که عبارتند از: آنزیم ها، کانال های یون، گیرنده های هسته ای و G PROTEIN-COUPLED RECEPTOR (GPCR)ها. مسئله شناسایی تعاملات دارو-هدف، تشخیص یال های گم شده احتمالی براساس گره ها و یال های موجود است. تشخیص تجربی تعاملات دارو-هدف گران و وقتگیر است، همچنین تعداد تعاملات شناخته شده دارو-هدف بسیار اندک است. این موضوع سبب ایجاد انگیزه ای برای کشف و توسعه روش های موثر در پیش بینی تعاملات دارو-هدف شد. این روش ها با استفاده از یادگیری ماشین و الگوریتم مبتنی بر شبکه، تعاملات بالقوه را می یابند و به معتبرسازی روش های تجربی کمک می کنند. با توجه به گوناگونی روش های محاسباتی و ویژگی های هر کدام از آنها، محققین باید شناختی کامل از این روش ها داشته باشند و بنا به نیازهای موجود، روش خود را طراحی کنند. در همین راستا، هدف این مطالعه، ارائه مروری از پیش بینی تعاملات دارو-هدف و معرفی روش های محاسباتی گوناگون در این حوزه است. در این مطالعه، رویکردهای محاسباتی پیش بینی تعاملات دارو-هدف به چهار دسته مبتنی بر کرنل، نیمه نظارتی، مبتنی بر انتخاب ویژگی و مبتنی بر شبکه تقسیم شده است. روش بررسی: مقاله حاضر یک مقاله مروری است. بدین منظور مقالات موجود در مجلاتی مانند Bioinformatics، Briefings in Bioinformatics، PLoS ONE، BMC Bioinformatics و Current Pharmaceutical Design مورد بررسی قرار گرفتند. کلمات کلیدی به صورت ترکیبی از این دو دسته کلی مورد جستجو قرار گرفتند: اول machine learning/computational / in silico؛ دوم drug discovery/ drug-target interaction prediction/ DTI prediction. یافته ها: در این مطالعه از 30 مقاله در حوزه پیش بینی تعاملات دارو-هدف استفاده می شود. از مقاله های مروری این حوزه نیز کمک گرفته شد. رویکردها به چهار دسته تقسیم شدند که عبارتند از مبتنی بر کرنل، نیمه نظارتی، مبتنی بر انتخاب ویژگی و مبتنی بر شبکه. همچنین، چالش های هر کدام آورده شده است. در جدول 1 در پیوست دسته بندی رویکردها و چالش های آنها مشاهده می شود. نتیجه گیری: در این مطالعه سعی شد با توجه به گوناگونی روش های مطرح، یک دسته بندی ارائه شود. این موضوع به محققین کمک می کند تا براساس چالش ها و ویژگی های هر کدام، روش خود را انتخاب کنند. رویکردهای مبتنی بر کرنل به علت تشکیل ماتریس های کرنل، پیچیدگی محاسباتی بالایی دارند. در عین حال رویکردهای نیمه نظارتی معرفی شد زیرا رویکردهای مبتنی بر شباهت توانایی تشخیص مجموعه های تاییدشده منفی از تعاملات ناشناخته را ندارند. رویکرد مبتنی بر شبکه توانایی پیش بینی تعاملات جدید برای جفت دارو-هدفی که تعاملات شناخته شده ندارند، زیرا این گره ها در شبکه، یالی به باقی گره ها ندارند. در عین حال، رویکرد مبتنی بر انتخاب ویژگی با چالش انتخاب ویژگی مناسب روبرو است. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
|
|
| چکیده انگلیسی مقاله |
|
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
فرانه حدادی | faraneh haddadi
محمدرضا کیوان پور | mohammadreza keyvanpour
|
|
| نشانی اینترنتی |
http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-329-1&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
دوره مرتبط |
کنفرانس مرتبط |
فهرست کنفرانس ها
|
