شناسایی ژن‌های عامل سرطان در شبکه ژنی با استفاده از معماری شبکه عصبی پیش‌خور

شناسایی ژن‌های آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطان‌شناسی و زیست‌داده‌ورزی است. ژن‌های عامل سرطان، ژن‌هایی هستند که بعد از اینکه جهش در آنها اتفاق می‌افتد، آن جهش را از طریق برهم‌کنش‌های پروتئین- پروتئین به دیگر ژن‌ها منتقل کرده و از این طریق، باعث اختلال در عملکرد سلول و بروز بیماری و سرطان می‌شوند. تا کنون روش‌های مختلفی برای پیش‌بینی و دسته‌بندی ژن‌های عامل سرطان پیشنهاد شده که اکثراً متکی به داده‌های ژنومی و ترنسکریپتومیک هستند و از این رو میانگین هارمونیک پایینی در نتایج دارند. تحقیقات در این زمینه به‌منظور بهبود دقت نتایج ادامه دارد و از این رو روش‌های مبتنی بر شبکه و زیست‌داده‌ورزی به کمک این حوزه آمده‌اند. در این مطالعه ما رویکردی را پیشنهاد داده‌ایم که متکی به داده‌های جهش نیست و از روش‌های شبکه‌ای برای استخراج ویژگی و از شبکه عصبی سه‌لایه پیش‌خور برای دسته‌بندی ژن‌ها استفاده می‌کند. برای این منظور، ابتدا شبکه زیستی مورد نظر که شبکه تنظیم رونویسی سرطان سینه است، تشکیل و سپس ویژگی‌های مختلف هر ژن به‌صورت بردارهایی استخراج گردید. نهایتاً بردارهای به‌دست‌آمده جهت دسته‌بندی به یک شبکه عصبی پیش‌خور داده شد. نتایج به‌دست‌آمده نشان می‌دهند که استفاده از روش‌های مبتنی بر شبکه‌های عصبی چندلایه می‌تواند صحت و میانگین هارمونیک را بهبود بخشد و باعث بهبود عملکرد نسبت به سایر روش‌های محاسباتی شود.

identification of cancer-causing genes in gene network using feedforward neural network architecture

identifying the genes that initiate cancer or the cause of cancer is one of the important research topics in the field of oncology and bioinformatics. after the mutation occurs in the cancer-causing genes, they transfer it to other genes through protein-protein interactions, and in this way, they cause cell dysfunction and the occurrence of disease and cancer. so far, various methods have been proposed to predict and classify cancer-causing genes. these methods mostly rely on genomic and transcriptomic data. therefore, they have a low harmonic mean in the results. research in this field continues to improve the accuracy of the results. therefore, network-based methods and bioinformatics have come to the aid of this field. in this study, we proposed an approach that does not rely on mutation data and uses network methods for feature extraction and feedforward three-layer neural network for gene classification. for this purpose, the breast cancer transcriptional regulatory network was first constructed. then, the different features of each gene were extracted as vectors. finally, the obtained vectors were given to a feedforward neural network for classification. the obtained results show that the use of methods based on multilayer neural networks can improve the accuracy and harmonic mean and improve the performance compared to other computational methods.