شناسایی مهارکننده جدید گیرنده دوم فاکتور رشد اندوتلیال عروقی با استفاده از مدل طبقه‌بندی ماشین‌بردار پشتیبان

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 میزان82.4 % (p=0.008)  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. 

finding new vegfr2 inhibitors using support vector machine classification model

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.