استخراج ویژگی چندمتغیره برای پیش‌بینی ماتریس بیان ژنی آینده

مقدمه: ویژگی‌های یک سلول را می‌توان با بررسی ماتریس بیان ژنی مربوط به آن سلول تعیین کرد. اگر بتوان ماتریس‌های بیان ژنی مربوط به سلول‌های فرزند آینده را پیش‌بینی کرد، در حقیقت ویژگی‌های سلول‌های آینده پیش‌بینی شده‌اند. هدف مطالعه حاضر، طراحی یک شبکه عصبی مصنوعی برای پیش‌بینی ماتریس‌های بیان ژنی برای سلول‌های فرزندی است که از تقسیم/تمایز سلول‌های بنیادی هماتوپویتیک در آینده به دست خواهند آمد.روش: شبکه عصبی طراحی‌‌شده ماتریس بیان ژنی یک سلول بنیادی هماتوپویتیک والد را به عنوان ورودی می‌گیرد و ماتریس‌های بیان ژنی مربوط به سلول‌های فرزند آینده آن را تولید می‌کند. یک کدگذار زمانی برای کدگذاری سری زمانی اصلی و یک کدگذار مکانی برای کدگذاری سری‌های زمانی ثانویه پیشنهاد می‌شود.نتایج: برای آن که پیش‌بینی قابل پذیرشی انجام شود، باید ماتریس های بیان ژنی مربوط به دست کم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحی شده از نظر خطای پیش‌بینی و تعداد مراحل تقسیم/تمایز که به درستی پیش‌بینی شده باشند، نسبت به شبکه های عصبی موجود بهتر عمل می‌کند. طرح پیشنهادی این مطالعه می تواند پیش‌بینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیش بینی 1، 4، 16، 64 و 128 مرحله از تقسیم/تمایز به ترتیب برابر با 3/04، 3/76، 5/5، 7/83، و 11/06 درصد بوده است.نتیجه‌گیری: با داشتن ماتریس بیان ژنی مربوط به یک سلول هما‌توپویتیک والد می‌توان ماتریس‌های بیان ژنی مربوط به فرزندان آن را تا صدها مرحله از تقسیم/تمایز پیش‌بینی کرده و در صورت لزوم، به موقع چاره‌ای برای روبه‌رو شدن با مشکلات ژنتیکی آینده اندیشید.

Multivariate Feature Extraction for Prediction of Future Gene Expression Profile

Introduction: The features of a cell can be extracted from its gene expression profile. If the gene expression profiles of future descendant cells are predicted, the features of the future cells are also predicted. The objective of this study was to design an artificial neural network to predict gene expression profiles of descendant cells that will be generated by division/differentiation of hematopoietic stem cells.Method: The developed neural network takes the parent hematopoietic stem cell rsquo;s gene expression profile as input and generates the gene expression profiles of its future descendant cells. A temporal attention was proposed to encode the main time series and a spatial attention was also provided to encode the secondary time series.Results: To make an acceptable prediction, the gene expression profiles of at least four initial division/differentiation steps must be known. The designed neural network surpasses the existing neural networks in terms of prediction accuracy and number of correctly predicted division/differentiation steps. The proposed scheme can predict hundreds of division/differentiation steps. The proposed scheme rsquo; error in prediction of 1, 4, 16, 64, and 128 division/differentiation steps was 3.04, 3.76, 5.5, 7.83, and 11.06 percent, respectively.Conclusion: Based on the gene expression profile of a parent hematopoietic stem cell, the gene expression profiles of its descendants can be predicted for hundreds of division/differentiation steps and if necessary, solutions must be sought to encounter future genetic disorders.