یادگیری عمیق و کاربرد های آن در زیست پزشکی

Deep Learning and Its Applications in Biomedicine

چکیده
مقدمه
توسعه ی ANN ها
توسعه ی یادگیری عمیق
توصیفی خلاصه در رابطه با یادگیری عمیق
مفاهیم اولیه
توابع فعال سازی
هدف بهینه سازی
تابع ضرر
روش های بهینه سازی
معماری یادگیری عمیق
AEها
RBM ها و DBN ها
شبکه های عصبی پیچشی ( کانولوشن)
شبکه های عصبی بازگشتی
کاربرد های این روش در زیست پزشکی
طبقه بندی تصویر های پزشکی و بخش بندی آن ها

چکیده

پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی پزشکی می باشد. ما نخست توسعه ی شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیری عمیق، یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد ، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختار پروتئین ها. در نهایت، ما دیدگاه خودمان را در رابطه با جهت آتی در زمینه ی یادگیری عمیق را ارائه می کنیم.
مقدمه
یادگیری عمیق یکی از روش های جدید با رشد سریع در زمینه ی یادگیری ماشین می باشد. در این روش تلاش می شود تا استخراج ویژگی ها و اطلاعات مفید از داده هایی با مقیاس بزرگ، با استفاده از شبکه های عصبی عمیق چند لایه ای (DNN ها) ، استخراج شود تا بتوان از داده هایی مانند تصاویر، صداها و متن ها، اطلاعات مفید به دست آورد [1]. یادگیری عمیق به صورت عمومی دارای دو ویژگی می باشد : 1)لایه های چندگانه از واحد های پردازش غیر خطی و 2) یادگیری با سرپرست یا بدون سرپرست از نمایه ی ویژگی ها در هر لایه [1].قالب کاری اولیه برای یادگیری عمیق بر اساس شبکه های عصبی مصنوعی (ANN ها) در دهه ی 1980 ایجاد شد [2] ، در حالی که تاثیر واقعی این روش های یادگیری عمیق در سال 2006 نمایان شد [3و4]. از آن زمان تا کنون، یادگیری عمیق در گستره ی زمینه های مختلف، شامل شناسایی خودکار گفتار، شناسایی تصویر، پردازش طبیعی زبان، شناسایی دارو و انفورماتیک زیستی مورد استفاده قرار گرفته است [5-7].
در دهه های اخیر، رشد گسترده ای در زمینه ی داده های پزشکی مانند توالی های ژنی، ساختار پروتئین ها، و تصویر های پزشکی ایجاد شده است که به دلیل پیشرفت در تکنولوژی هایی با کارایی بالا بوده است. این طوفان گسترده از داده های بزرگ زیستی، منجر به الزام استفاده از ابزار محاسباتی موثر و کارآمد شده است تا بتوانیم این چنین داده هایی را ذخیره سازی، تحلیل و تفسیر کنیم. قالب های کاری یادگیری عمیق ، مسائل جدیدی را نمایان کرده اند. هدف این مقاله فراهم کردن یک مرور در رابطه با یادگیری عمیق و بعضی از جدید ترین کاربرد های یادگیری عمیق در زمینه ی پزشکی و انفورماتیک زیستی می باشد.ما امید داریم که این مقاله بتواند برای خوانندگان ، مروری مناسب در رابطه با یادگیری عمیق ایجاد کرده و کاربرد های آن برای تحلیل داده های زیستی را نمایان کند.
طبقه بندی تصویر های پزشکی و بخش بندی آن ها
یادگیری ماشینی برای تصویر های پزشکی ، یک ابزار قوی در تشخیص و یا ارزیابی بیماری ها بوده است. معمولا، ویزگی های متمایز اشاره به تفسیر تصویر های پزشکی دارد که معمولا پیش از این، به صورت دستی توسط انسان ها برای طبقه بندی ( شناسایی کردن آسیب ها یا حالت های غیر عادی) و یا بخش بندی منطقه های مد نظر ( بافت ها و ارگان ها) در زمینه های پزشکی مختلف، مورد استفاده قرار می گرفته است. این روند نیازمند مشارکت متخصص ها و پزشکان می باشد. در هر صورت، پیچدگی و ابهام تصویر های پزشکی، دانش محدود برای تفسیر تصاویر پزشکی و الزام مقادیر داده های تفسیری مانع استفاده ی گسترده از یادگیری ماشینی در دامنه ی تصویر های پزشکی شده است. اما باید به این نکته اشاره کرد که روش های یادگیری عمیق ، موفقیت زیادی در انواع وظایف بصری کامپیوتری مانند شناسایی اشیا، مشخص کردن مکان آن ها و یا بخش بندی تصویر های طبیعی به دست آورده است. این موارد ، باعث شده که این روش ها از نظر تفسیر تصویر های پزشکی نیز امید بخش باشند.

Abstract

Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.

Introduction

Deep learning is a recent and fast-growing field of machine learning. It attempts to model abstraction from large-scale data by employing multi-layered deep neural networks (DNNs), thus making sense of data such as images, sounds, and texts [1]. Deep learning in general has two properties: (1) multiple layers of nonlinear processing units, and (2) supervised or unsupervised learning of feature presentations on each layer [1]. The early framework for deep learning was built on artificial neural networks (ANNs) in the 1980s [2], while the real impact of deep learning became apparent in 2006 [3,4]. Since then, deep learning has been applied to a wide range of fields, including automatic speech recognition, image recognition, natural language processing, drug discovery, and bioinformatics [5–7]. The past decades have witnessed a massive growth in biomedical data, such as genomic sequences, protein structures, and medical images, due to the advances of highthroughput technologies. This deluge of biomedical big data necessitates effective and efficient computational tools to store, analyze, and interpret such data [5,8]. Deep learning-based algorithmic frameworks shed light on these challenging problems. The aim of this paper is to provide the bioinformatics and biomedical informatics community an overview of deep learning techniques and some of the state-of-the-art applications of deep learning in the biomedical field. We hope this paper will provide readers an overview of deep learning, and how it can be used for analyzing biomedical data.

Medical image classification and segmentation

Machine learning for medical images has long been a powerful tool in the diagnosis or assessment of diseases. Traditionally, discriminative features referring to medical image interpretation are manually designed for classification (detection of lesions or abnormalities) and segmentation of regions of interest (tissues and organs) in different medical applications. This requires the participation of physicians with expertise. Nonetheless, the complexity and ambiguity of medical images, limited knowledge for medical image interpretation, and the requirement of large amounts of annotated data have hindered the wide use of machine learning in the medical image domain. Notably, deep learning methods have attained success in a variety of computer vision tasks such as object recognition, localization, and segmentation in natural images. These have soon brought about an active field of machine learning in medical image analysis.

شناسایی مکانیزم تعامل lncRNA-miRNA-mRNA در سرطان پستان بر اساس تجزیه و تحلیل بیوانفورماتیکی

Identification of an lncRNA‑miRNA‑mRNA interaction mechanism in breast cancer based on bioinformatic analysis

Abstract

Non-coding RNAs serve important roles in regulating the expression of certain genes and are involved in the principal biological processes of breast cancer. The majority of studies have focused on defining the regulatory functions of long non-coding RNAs (lncRNAs) and microRNAs (miRNAs/miRs), and few studies have investigated how lncRNAs and miRNAs are transcriptionally regulated. In the present study, based on the breast invasive carcinoma dataset from The Cancer Genome Atlas at cBioPortal, and using a bioinformatics computational approach, an lncRNA-miRNA-mRNA network was constructed. The network consisted of 601 nodes and 706 edges, which represented the complex web of regulatory effects between lncRNAs, miRNAs and target genes. The results of the present study demonstrated that miR-510 was the most potent miRNA controller and regulator of numerous target genes. In addition, it was observed that the lncRNAs PVT1, CCAT1 and linc00861 exhibited possible interactions with clinical biomarkers, including receptor tyrosine-protein kinase erbB-2, estrogen receptor and progesterone receptor, demonstrated using RNA-protein interaction prediction software. The network of lncRNA-miRNA-mRNA interactions will facilitate further experimental studies and may be used to refine biomarker predictions for developing novel therapeutic approaches in breast cancer.

1 Introduction

Breast cancer was the most common malignancy in women worldwide in 2015 (1). Breast cancer is a clinically heterogeneous disease, encompassing multiple histological types, pathological characteristics and a variety of clinical behaviors, making clinical management difficult (2). Numerous studies have sought to understand the pathogenesis of breast cancer, and to determine biomarkers for use as diagnostic and prognostic tools. A primary focus of research has been to investigate the role of microRNAs (miRNAs/miRs) in breast cancer (3). The first observation of miRNA deregulation in breast cancer was by Iorio et al (4), who performed microarray analysis to evaluate the miRNA expression profiles of 76 neoplastic breast tissue and 10 healthy adjacent tissue samples, and identified 29 disordered miRNAs, including miR-10b, miR-125b, miR-145, miR-21 and miR-155, which emerged as the most consistently deregulated in breast cancer. In order to elucidate the association between miRNAs and cancer metastasis, Farazi et al (5) conducted Solexa sequencing of small RNAs from 11 healthy breast tissue samples, 17 ductal carcinoma in situ samples, 151 invasive breast carcinoma samples and 6 cell lines; 269 novel miRNAs were identified and it was demonstrated that patients with increased expression of miR-423 were more likely to develop metastasis.

In addition to miRNAs, long non-coding RNAs (lncRNAs) have emerged as important factors contributing to the development and progression of breast cancer (6). lncRNAs are a heterogeneous group of non-coding RNAs, including the newly-discovered long intervening non-coding RNAs (lincRNAs), and they are defined as larger than 200 bp in length (7). Gupta et al (8) demonstrated that lincRNAs in the HOX loci become systematically dysregulated in breast cancer, and identified the lincRNA HOTAIR to be overexpressed in primary breast tumors and metastases; therefore, HOTAIR may serve as a predictor of eventual metastasis and mortality in primary mammary tumors.

Numerous studies have been performed on breast cancer; however, further research is required to elucidate the mechanisms involved and identify novel methods of treating breast cancer. The association between lncRNAs and miRNAs in human diseases has been previously studied, including some evidence to suggest that non-coding RNAs may act as competing endogenous RNAs (ceRNAs) (9,10). Wang et al (11) provided experimental evidence that non-coding RNAs may form an lncRNA-miRNA-mRNA interaction network to regulate liver cancer; it was demonstrated that the lncRNA HULC may function as an endogenous sponge, which interacts with and downregulates miRNA-372 and thereby decreases the translational repression of its target gene.

lthough a number of regulatory mechanisms influencing the association between gene expression and protein expression have been elucidated, the involvement of numerous lncRNAs and miRNAs in transcriptional regulation has not been investigated in breast cancer. In the present study, a bioinformatics approach was used to predict the regulatory mechanisms of miRNAs and lncRNAs, and to construct the lncRNA-miRNA-mRNA network in breast cancer. The results of the present study represent a view of breast cancer from a concurrent analysis of lncRNA, miRNA and mRNA

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

آنالیز بقای DEGs
Kaplan–Meier plotter قادر است که اثر 54675ژن بر بقا را با استفاده از 10188نمونه سرطان بیماران شامل 4142 سرطان سینه، 1648 سرطان تخمدان، 2437 سرطان شش و 1065 سرطان معده ارزیابی کند. بیماران با سرطان تخمدان به دو گروه بر اساس بیان یک ژن خاص تقسیم میشوند. بقای کلی بیماران با سرطان تخمدان با استفاده از طرح Kaplan–Meier آنالیز شد. نسبت خطر HR با 95% فاصله ی اطمینان و مقدار درجه P محاسبه شده و در صفحه ی وب نمایش داده شده است.

نتایج
شناسایی DEGs
مجموعه ی DEGs 1330، 4944 و 2610 از مجموعه اطلاعات GSE36668، GSE18520 و GSE14407 به ترتیب شناسایی شد. 362 ژن در هر سه این مجموعه اطلاعات نمایش داد هشده است (شکل1) از بین آنها 345 ژن گرایش بیان ژنی مشابه در هر سه مجموعه اطلاعات نشان دادند شامل 168 ژن تنظیم شده در بالادست و 177 ژن تنظیم شده در پایین دست در بافت های سرطان تخمدان با بافتهای تخمدان نرمال مقایسه شدند.

آنالیز عملکردی و غنای مسیر
برای به دست آوردن بینش بیشتر از عملکرد DEGs های شناسایی شده آنالیز عملکردی و غنای مسیر با استفاده از DAVID اجرا شده است. ژن های تنظیم شده در بالادست عمدتا در فرآیند زیستی مرتبط با سیکل سلولی و میتوز درگیر میشوند در حالیکه ژن های تنظیم شده در پایین دست عمدتا در تمایز جنسی، فرآیند سیکل تخمک گذاری، پاسخ به محرک های هورمون و تکامل ساختار دخیل هستند. (جدول 1) به علاوه، هفت مسیر KEGG در ژن های پایین دست شامل سیکل سلولی ، میوز اووسیت و مسیر علامت دهی P53 بیش از حد بیان میشود جدول 1. هیچ مسیر KEGGبه طور قابل توجه برای ژن های تنظیم شده در پایین دست نبود.

ساخت شبکه PPI و انتخاب واحدها
شبکه PPI DEGs شامل 141 گره و 296 لبه ، شامل 86 ژن تنظیمی بالادست و 55 ژن تنظیمی پایین دست است شکل2a. درجه بزرگتر ومساوی 10 تنظیم شد به عنوان معیار. مجموع 16 ژن به عنوان ژن های قطب شامل CDK1، AURKB، CCNB1 و CDC20 استانتخاب شده اند. علاوه بر آن، مشخص شد که cyclin B1 (CCNB1) برهمکنش با عضو 11 خانواده ی کینسین KIF11 و پروتئین سانترومر F دارد CENPF.
یک واحدقابل توجه از شبکه ی PPI DEGs با استفاده از MCODE شامل 12 گره و 66 لبه فراهم شده است. شکل 2b. آنالیز عملکردی و غنای مسیر KEGG فاش کرد که ژن ها در این واحد عمدتا با سیکل سلولی و میتوز اووسیت مرتبط هستند. (جدول 2).

جفت های miRNA-DEG
همه 36 miRNA بیان شده از مجموعه اطلاعات GSE47841 نمایش داده شده اند شامل 15 miRNA تنظیمی بالادست و 21 miRNA تنظیمی پایین دست در سرطان تخمدان با نمونه نرمال تخمدان مقایسه شده اند. همانطور که در جدول 3 نشان داده شده miR-200a ،بیشترین miRNAتنظیمی بالادست قابل توجه بود در حالیکه miR-424 بیشترین، miRNAتنظیمی پایین دست بود. بر اساس مجموعه اطلاعات miRecords، هدف های پیشگویی شده miRNA فراهم شدند. با مقایسه ی هدف ها با DEGs ما دریافتیم که CD47 هدف بالقوه هشت miRNAشامل موارد زیر بود. has-miR-182, has-miR-141, has-miR-200c, hasmiR-183, has-miR-424, has-miR-381, has-miR-383, has-miR-542-5p به علاوه KIF11 به طور بالقوه توسط has-miR-424 و has-miR-381 مورد هدف قرار گرفت که با تمایل بیانشان در سرطان تخمدان ثابت بودند.
Kaplan–Meier plotter
مقدار پیش آگهی ژن های قطبی در شبکه PPI در www.kmplot.com ارزیابی شد. بقای سرتاسری برای بیماران با سرطان تخمدان بر اساس بیان کم یا زیاد هر ژن فراهم شده است. مشخص شد که بیان mRNA CCNB1 با بقای سرتاسری برای بیماران سرطان تخمدان ارتباط دارد همین طور CENPF ، KIF11 و ZWINT. شکل 3.

بحث
با وجود پیشرفت در درمان های جراحی و پزشکی، مرگ کلی سرطان تخمدان به طور گسترده بدون تغییر در طول دهه گذشته باقی مانده است. مرگباری سرطان تخمدان عمدتا به علت مشکل بودن کاوش کردن آن در مرحله ی اولیه و نقصان درمان های موثر برای بیماران در شرایط پیشرفته است. بنابراین، درک عوامل و مکانیسم های پیشرفت سرطان تخمدان برای بهبود نرخ بقا و جلوگیری ضروری است. اخیرا، تکنولوژی میکرواری به سرعت پیشرفت کرده است و به گستردگی برای آشکار کردن تغییر ژنتیکی عمومی در پیشرفت بیماری ها به کار میرود که شناسای هدف های بیماری ، درمان و پیش بینی تومور قادر میسازد.
در این مطالعه، مجموعه 345 DEGs نمایش داده شد که شامل 168 ژن تنظیمی بالادست و 177 ژن تنظیمی پایین دست است. این ژن های بالا دست عمدتا در سیکل سلولی ، میتوز و مسیر علامت دهی P53 وجود دارند که به نزدیکی با سرطان ارتباط دارد درحالیکه ژن های تنظیمی پایین دست در سیکل تخمک گذاری و تمایز جنسی اثر دارند. از بین این DEGs ها ، 16 ژن درجه بالایی در شبکه ی PPI دارند. آنالیز بقا این ژن ها آشکار کرد که چهار ژن تنظیمی بالا دست به طور قابل توجهی با بقای کلی بیماران با سرطان تخمدان ارتباط دارد شامل CCNB1, CENPF, KIF11, ZWINT.
بیماری زایی تومور یک فرآیند پیچیده است که از تغییرات اپی ژنتیک و ژنتیک خاص مشتق شده است. افزایش بیان CCNB1 در بسیاری از بیماری های مختلف شامل سرطان روده بزرگ، سرطان پانکراس، و ملانوم یافت شده است. CCNB1 میتواند کیناز وابسته به سیکل CDK1 را فعال کند که کلید وقایع اولیه میتوز را توسط آغاز فسفریلاسیون پروتئین های مختلف در G2/M را کنترل میکند. بیان کم CCNB1 می تواند تکثیر را سرکوب کند و آپوپتزیز (مرگ سلولی) را در سرطان تخمدان القا کند. CENPF در کروموزوم 1q41 پروتیئنی را کد میکند که با کمپلکس سنترومر –کینتوکور ارتباط دارد. گزارش شده است که CENPF دارای دو زیرواحد اتصال میکروتوبول است بنابراین نقشی در انصال میکروتوبول و حرکت میکروتوبول در طول میتوز ایفا میکند. جمع اوری شواهد نشان داد که بیش از حد بیان شدن CENPF در نوعی سرطان های چندگانه شامل سرطان سینه، hepatocellular carcinoma درگیر است. Yang و همکاران دریافتند که بیان افزایش یافته CENPF با پیش آگهی ضعیف در بیماران با سرطان پروستات ارتباط دارد. اگرچه، نقش سرطانی و بالینی مهم CENPF برای سرطان تخمدان به ندرت مطالعه شده است. در مطالعه ی حاضر ، ما دریافتیم که CCNB1 و CENPF بیش از حد بیان شده اند و برهمکنش دارند که نشان دهنده ی عملکرد اتصال در سرطان تخمدان است.
یکی از اعضای خانواده پروتئین شبه-کینسین KIF11 ، پروتئین حرکت دوک بحرانی در طول استقرار دوقطبی دوک میتوزی است. گزارش شده است که ممانعت KIF11 با با مولکول های کوچک بازدارنده می تواند پیشرفت سیکل سلولی را ممانعت کند، موجب جدایی غیر نرمال کروموزوم ها شود و نهایتا منجر به مرگ سلولی در سلول سرطانی سر و گردن سنگفرشی میشود. نتایج مشابه هم نشان داد که بازدارندگی KIF11، تکثیر و حمله در گلیوبلاستوما را سرکوب میکند که پتانسیل آن را به عنوانیک ضد سرطان نشان میدهد. در همین حال، جهش یافته ها در KIF11 ، یک دلیل رایج تنوع بیماری های مسری از قبیل سندرم میکروسفالی و chorioretinal dysplasia بودند. سرهم شدن کینوتوکور یک مرحله ی کلیدی در پیشرفت سیکل سلولی است. ZWINT به عنوان یک بخش از کمپلکس کینتوکور ، یک پروتئین است که با ZW10 که برای تحرک کروموزوم و نقطه ی چک کردن دوک میتوزی ضروری است؛ برهم کنش میدهد. Endo و همکاران دریافتند که رشد سلول ها توسط بیان ثابت ZWINT افزایش می یابد در حالیکه این توسط هدف گذاری ZWINT با siRNA در سلول های سرطان سینه MCF7 سرکوب شده است. در مجموع این اطلاعات پیشنهاد میکند که CCNB1 ، CENPF، KIF11 و ZWINT در بیماری زایی تومور بدخیم توسط اثرگذاری بر میتوز و فرآیند سیکل سلولی درگیر است که یافته های ما را تایید میکند.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

فهرست مقاله:

1-مقدمه
2- مواد و روش ها
2-1 مواد
2-2 ساخت باکتری های نوترکیب
2-3 لوازم و دستگاه ها
2-4 فعال سازی PGE
2-5 تثبیت پروب بر روی PGE
2-6 هیبریدیزاسیون
2-7 اندازه گیری های الکتروشیمیایی
2-8 تحلیل آماری
3-نتایج و بحث
3-1 ساخت پلازمید نوترکیب pGEM-T/E6
3-2 تشخیص الکتروشیمیایی pGEM-T/E6
3-2-1 اثر پیش تیمار بر روی سطح PGE
3-2-2 اثر غلظت پروب
3-2-3 تشخیص هیبریدیزاسیون
3-2-4 عملکرد تحلیلی سنسور
3-2-5 مطالعه رفتار انتخابی در شرایط بهینه
3-3 تحلیل بیوسنسور در برابر الکتروفورز برای تشخیص اسید نوکلئیک
4-نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1-مقدمه
بیش از 160 نوع ویروس پاپیلومای انسانی شناخته شده(HPV) وجود دارد( بارک و همکاران 2013) که از این تعداد 40 مورد از آن ها می توانند اپیتلیوم آنوژنیتال را عفونی کنندو از این تعداد 15 ویروس به صورت سرطانی در نظر گرفته می شوند( لین و همکاران 2010). HPV 16-18 که به صورت انواع با ریسک بالا (HR) طبقه بندی می شوند، عامل تقریبا 60-80 درصد وقوع سرطان دهانه رحم در سرتاسر دنیا می باشند(کارتر و همکاران 2011، هندری و همکاران 2013).
چندین مطالعه نشان داده است که HPV دو آنکوژن قوی E6 و E7 را رمز گذاری می کند. این انکوژن ها به طور پیوسته در HPV-HR بیان شده و عامل ترانسفورماسیون بدخیم سرطان دهانه رحم می باشند( عظم و شمس الاسلام 2010، باکاردو و همکاران 2010، کارتر و همکاران 2011، استانلی 2010، ویکی و همکاران 2014). از این روی ژن های E6 و E7 بیانگر اهداف ایده ال برای تولید واکسن های درمانی بوده و به طور بالقوه موجب حذف زخم های قبلی و تومور های بدخیم با تولید ایمنی سلولی در برابر سلول های آلوده به HPV می شود( هوانگو همکاران 2010، کاوانا و همکاران 2012، نیتو و سالوتی 2014).
پیشرفت در زمینه فنون کلونینگ مولکولی، امکان تولید سریع، آسان و ارزان واکسن های وکتور نوترکیب را فراهم کرده است( هوانگ و همکاران 2010، هوانگ و همکاران 2008). واکسن های وکتور نوترکیب دارای مزیت های بسیاری نسبت به واکسن های سنتی هستند و یک راه حل تکنولوژیک برای میکرو ارگانیسم هایی هستند که به سختی در کشت بافت سلولی و یا مدل های حیوانی نظیر HPV رشد می کنند( فرارو و همکاران 2011، لین و همکاران 2010، ما و همکاران 2010).
رایج ترین روش مورد استفاده برای تحلیل کلونینگ مولکولی،روش الکتروفورز در ژل های آگاروز است. با این حال، این روش مستلزم پرسنل آموزش دیده بوده و زمان بر می باشد( چانگ و همکاران 2013، تلس و فونکسا 2008). بیوسنسور های DNA به فراوانی برای تشخیص توالی DNA ویژه استفاده می شوند( پی وهمکاران 2013، توسار و همکاران 2010)، با این حال کم تر در خصوص تحلیل کلونینگ بررسی شده است. در این مطالعه، ما به توصیف یک بیوسنسور جدید، ساده،ارزان، پایدار و بدون برچسب الکتروشیمیایی DNA برای تشخیص ژن HPV 16 E6 کلونشده در وکتور بیان کننده می پردازیم.
2- مواد و روش ها
2-1 مواد
DH5a اشریشیا کولای ( اینویتروژن-آمریکا) و pGEM-T Easy (pGEM-T)( پرومگا-آمریکا) به ترتیب به عنوان وکتور های میزبان و کلونینگ استفاده شدند. کشت باکتری در یک محیط (LB) لوریا برتانی ( تریپتون 10 گرم بر لیتر، عصاره مخمر 5 گرم بر لیتر، سدیم کلرید 10 گرم بر یتر، اسیدیته 7) مکمل سازی شده با 100 میلی گرم بر لیتر امپی سیلین، 160 میکرو گرم بر میلی لیتر X-gal و 0.5 میلی مول IPTG(ایزوپروپیل b-D-1—تیوگلاکتوپیرانوزید) انجام شد.لیگاز T4 DNA، نشانگر اندازه DNA و آنزیم های محدود کننده EcoRI, XbaI و ApaI از اینویتروژن- ایالات متحده خریداری شدند. کیت تخلیص QIAquick PCR و DNA پلیمراز از شرکت کلونتک آمریکا و QIAgen آلمان خریداری شد.
سرب مداد( نوع 4B)، که متشکل از گرافیت طبیعی، یک بایندر(سیمان) پلیمری و رس با درصد های متفاوت است، به عنوان الکترود گرافیت مدادی استفاده شد(PGE).
الیگنوکلوئوتید عاری از گرانیت 23-mer (50-ATI CAC CAA AAI AIA ACT ICA AT-30 ,) خریداری شده از فناوری های DNA یکپارچه-USA) متناظر با رشته سنز ژن HPV 16 E6 به عنوان پروب HPV استفاده شد.
محلول های الیگونوکلوئوتید و محلول های رقیق پلازمید ها برای بافر استات 0.5 مول ( اسیدیته 5) تهیه شده و به منجمد شدند.

بخشی از مقاله انگلیسی:

Abstract

In the current study, we describe a novel, simple, inexpensive, sensitive, specific, stable and label-free electrochemical DNA biosensor used to identify a target gene cloned into a plasmid. The biosensor was designed with a 23-mer oligonucleotide of guanine-free, which was immobilized on the pencil graphite electrode (PGE) for E6 gene detection from human papillomavirus 16 type (HPV16). The E6 gene was used due to its clinical importance. The optimal probe concentration was obtained in 500 nM. The hybridization detection showed a good linearity in the range of 40–5,000 pg/lL with a detection limit of 16 pg/lL. The electrochemical method showed higher sensitivity and specificity when compared with the agarose gel electrophoresis assay. This technology could be postulated as a new and attractive alternative for cloning analysis in plasmids.

1. Introduction

There are over 160 known types of human papillomavirus (HPV) (Burk et al., 2013), of which 40 can infect the anogenital epithelium and of these 15 are considered oncogenic (Lin et al., 2010). The HPV 16 and 18, classified as high-risk types (HR), are responsible for approximately 60–80% of cervical cancer occurrence worldwide (Carter et al., 2011; Hendry et al., 2013). Several studies show that HPV encodes two powerful oncogenes, E6 and E7. These oncogenes are constantly expressed in the HR-HPV and are responsible for the malignant transformation of cervical cancer (Azam and Shams-ul-Islam, 2010; Boccardo et al., 2010; Carter et al., 2011; Stanley, 2010; Vici et al., 2014). Therefore, the E6 and E7 genes represent the ideal targets for development of therapeutic vaccines, which potentially eliminate pre-existing lesions and malignant tumors by generating cellular immunity against HPV-infected cells (Huang et al., 2010; Kawana et al., 2012; Nieto and Salvetti, 2014). Progress in the molecular cloning techniques has enabled the relatively quick, easy and cheap manufacture of recombinant vector vaccines (Huang et al., 2010; Hung et al., 2008). Recombinant vector vaccines have many advantages over conventional vaccines and may provide a technological solution for microorganisms that have difficulty growing in cell culture or animal models, like HPV (Ferraro et al., 2011; Lin et al., 2010; Ma et al., 2010). The most popular technique used for molecular cloning analysis is the electrophoresis method in agarose gels. However, this technique requires well-trained personnel and is time-consuming (Chang et al., 2013; Teles and Fonseca, 2008). DNA biosensors are commonly employed to detect a specific DNA sequence (Pei et al., 2013; Tosar et al., 2010), but less explored for cloning analysis. In the current study we describe a novel, simple, inexpensive, stable and label-free DNA electrochemical biosensor for the detection of HPV 16 E6 gene cloned in the expression vector.

2. Materials and methods

2.1. Materials

Escherichia coli DH5a (Invitrogen – USA) and pGEM-T Easy (pGEM-T) (Promega – USA) were used as host and cloning vectors, respectively. Bacterial growth was performed in a Luria–Bertani (LB) medium (tryptone 10 g/L, yeast extract 5 g/L and NaCl 10 g/L, pH 7.0), supplemented with 100 mg/ L ampicillin, 160 lg/mL X-gal and 0.5 mM IPTG (Isopropyl b-D-1-thiogalactopyranoside). T4 DNA ligase, DNA size marker and EcoRI, XbaI and ApaI restriction enzymes were purchased from Invitrogen – USA. DNA polymerase and QIAquick PCR Purification Kit were supplied from Clontech Company – USA and QIAgen – Germany, respectively. Pencil lead (type 4B), commonly composed of natural graphite, a polymeric binder and clay in different percentages, was used as pencil graphite electrode (PGE). The 23-mer, guanine-free oligonucleotide (50 -ATI CAC CAA AAI AIA ACT ICA AT-30 , purchased from Integrated DNA Technologies – USA), correspondent to the sense strand of the HPV 16 E6 gene, was employed as HPV probe. The oligonucleotide solutions and dilute solutions of the plasmids were prepared with 0.5 M acetate buffer (pH 5.0) and kept frozen.

بیولوژی سرطان متابولیک (سوخت و ساز بدن): تجزیه و تحلیل ساختاری سرطان به عنوان یک بیماری متابولیک، دیدگاه های جدید و فرصت ها برای درمان بیماری

Metabolic Cancer Biology: Structural-based analysis of cancer as a metabolic disease, new sights and opportunities for disease treatment

1- مقدمه
2- مدل های متابولیسم سرطان در انسان
2-1- مدل متابولیک در مقیاس ژنوم برای سرطان انسان
2-2- ادغام داده های بیان ژن در GEMs
3- رویکرد توپولوژیکی
3-1- ساخت شبکه های متابولیت-محور
3-2- ساخت شبکه های آنزیم-محور
3-3- کارهای توپولوژیکی روی سرطان
3-4- ابزارهای تجزیه و تحلیل توپولوژیک
4- رویکرد مبتنی بر محدودیت
4-1- تجزیه و تحلیل تعادل شار
4-2- کاربرد FBA در مدل سازی به سرطان
4-3- ابزارهای مدل سازی مبتنی بر محدودیت
5- پیش بینی داروی-هدف و تجزیه و تحلیل ساختاری

چکیده
قدمت کشف متابولیسم (سوخت و ساز) سلول سرطانی و یا اثر Warburg به 1924 باز می گردد، زمانی که برای اولین بار Otto Warburg، در برابر سلول های طبیعی، مشاهده نمود که سلول های سرطانی دارای متابولیسم متفاوت هستند. با شروع از فن آوری ها با توان عملیاتی بالا و بیولوژی سیستم های محاسباتی، بررسی های جدید از متابولیسم سلولهای سرطان و بسیاری از تلاش ها برای تجدید نظر در اثر Warburg انجام شد. توسعه ابزارهای آزمایشگاهی و تحلیلی که داده های بیولوژیکی با توان عملیات- بالا از جمله مقدار زیادی از اطلاعات را تولید می کنند به استفاده از مدل های محاسباتی در کشف های بیولوژیکی و پزشکی بالینی به ویژه برای سرطان منجر می شود. با توجه به در دسترس بودن اخیر مدل های بازسازی شده خاص-بافت، فرصت های جدید در مطالعه تغییر متابولیسم در انواع مختلف سرطان باز شده است. به نظر می رسد روش های ساختاری در سطوح در مقیاس-ژنوم برای توسعه نشانه های مولکولی تشخیصی و پیش تشخیصی، و همچنین در شناسایی اهداف دارویی جدید مناسب هستند. در این بررسی، ما این پیشرفت های اخیر در تجزیه و تحلیل ساختاری مبتنی بر سرطان را به عنوان یک دیدگاه بیماری متابولیک در نظر گرفته ایم. دو روش ساختاری متفاوت در اینجا شرح داده شده است: روشهای توپولوژیک و مبتنی بر محدودیت. هدف نهایی این نوع تجزیه و تحلیل سیستم ها, نه تنها کشف اهداف دارویی جدید بلکه توسعه استراتژی های درمان مبتنی بر سیستم های جدید است.

1- مقدمه
سرطان یک بیماری پیچیده است که شامل انواع متعددی از فعل و انفعالات بیولوژیکی از طریق مقیاس های مختلف فیزیکی، ترتیبی، و بیولوژیکی می شود. این پیچیدگی, چالش های قابل ملاحظه ای را برای توصیف بیولوژی سرطان تولید می کند و الهام بخش مطالعات سرطان در زمینه سیستم های مولکولی، سلولی، و فیزیولوژیکی است. یک عامل مهم سهیم در این سنتز جدید, این مشاهده است که چندین مسیر سیگنالینگ تغییریافته در سرطان, تنظیم کننده های اصلی شبکه متابولیسم انسان می باشند. این مشاهده, فعل و انفعال منطقی میان تغییرات ژنتیکی و سوخت و ساز در طول پیدایش تومور بدون رابطه علت و معلولی دائمی را مشخص می کند [1]. Otto Warburg برای اولین بار این تغییر متابولیسم را بر اساس مشاهدات خود در سلول های لوسمی پیشنهاد داد که متابولیسم گلوکز تغییریافته ممکن است به سرطان منجر شود. این اثر هم اکنون به عنوان “اثر Warburg” نامیده می شود. از آن زمان، فرضیه های مختلف (شکل 1) برای پیدا کردن مکانیسم های مسئول این اثر پیشنهاد شده اند [2]. با این حال، چشم انداز متابولیسم سرطان هنوز هم و به ویژه مقررات آن به طور کامل درک نشده است. به تازگی، یک تجدید علاقه در مورد متابولیسم سرطان [1،3،4] وجود داشته است. در دهه گذشته، یک تغییر الگو از مطالعه آنزیم های فردی به رویکردهای جدیدتر وجود داشته است که با هدف درک متابولیسم تغییریافته تومور به صورت کلی صورت گرفته است. این تلاش های جدید به دلیل افزایش در دسترس بودن داده هایی با توان عملیاتی بالا از مطالعات مختلف تومورها برای روشن نمودن غلظت های متابولیسم، جریان ها و فراوانی و تنظیم آنزیم های کلیدی رونق یافته اند. این داده ها را هم اکنون می توان با استفاده از مدل های آماری برای توصیف متابولیسم سرطان تجزیه و تحلیل نمود. در کنار کار تجربی، بازسازی شبکه متابولیک یک چارچوب محاسباتی است که شرح روابط ژن-پروتئین -واکنش را [5] میسر می سازد. برای درک جریان های متابولیسم سلول سرطانی, مدل های مقیاس ژنوم مکانیکی از متابولیسم سرطان مورد نیاز هستند و تلاش های اولیه بسیار امیدوار کننده بوده است. روش های مکانیکی به طور فزاینده ای امکان پذیر نیستند نه تنها به دلیل روش های پیچیده تر و داده های بهتر، بلکه با توجه به پیشرفت های سخت افزاری که این مدل ها را بر اساس خوشه ها با چند صد جفت از هسته شبیه سازی می نمایند. مطالعات متعددی نشان داده اند که چگونه چنین بازسازی های متابولیسم می توانند توسعه تئوری ها و اکتشافات را هدایت نمایند [6-8] 

Abstract

The cancer cell metabolism or the Warburg effect discovery goes back to 1924 when, for the first time Otto Warburg observed, in contrast to the normal cells, cancer cells have different metabolism. With the initiation of high throughput technologies and computational systems biology, cancer cell metabolism renaissances and many attempts were performed to revise the Warburg effect. The development of experimental and analytical tools which generate high-throughput biological data including lots of information could lead to application of computational models in biological discovery and clinical medicine especially for cancer. Due to the recent availability of tissue-specific reconstructed models, new opportunities in studying metabolic alteration in various kinds of cancers open up. Structural approaches at genome-scale levels seem to be suitable for developing diagnostic and prognostic molecular signatures, as well as in identifying new drug targets. In this review, we have considered these recent advances in structural-based analysis of cancer as a metabolic disease view. Two different structural approaches have been described here: topological and constraint-based methods. The ultimate goal of this type of systems analysis is not only the discovery of novel drug targets but also the development of new systems-based therapy strategies.

1- Introduction

Cancer is a complex disease which contains multiple types of biological interactions through various physical, sequential, and biological scales. This complexity generates considerable challenges for the description of cancer biology, and inspires the study of cancer in the context of molecular, cellular, and physiological systems. A significant factor contributing to this new synthesis is the observation that several signaling pathways changed in cancer are key regulators of the human metabolic network. This specifies a rational interplay between genetic and metabolic alterations during tumorigenesis without a permanent cause–effect relationship [1]. Otto Warburg first suggested this metabolic modification based on his observations in leukemic cells that altered metabolism of glucose may lead to cancer. This effect is now referred as the “Warburg effect”. Since then, different hypotheses (Fig. 1) have been proposed to find the mechanisms responsible for the Warburg effect [2]. However, the metabolic landscape of cancer is still far from understood, and in particular its regulation. Recently,there has been a resurgence of interest in cancer metabolism [1,3,4]. In the last decade, there is a paradigm shift from studying individual enzymes to newer approaches that aims to comprehend altered tumor metabolism as a whole. These new efforts flourish due to increasing availability of high-throughput data from various tumor studies elucidating metabolic concentrations, fluxes and abundance and regulation of the key enzymes. The data can now be analyzed integratively using statistical models to describe cancer metabolism. Beside experimental work, a metabolic network reconstruction is a manually curated, computational framework that empowers the description of gene–protein-reaction relationships [5]. For understanding the metabolic fluxes of a cancer cell, mechanistic genome scale models of cancer metabolism are needed and first attempts are very promising. Mechanistic methods are becoming increasingly feasible not only because of more sophisticated approaches and better data, but also due to hardware improvements enabling to simulate these models on clusters with a couple of hundreds of cores. Several studies have established how such reconstructions of metabolism could guide the development of biological theories and discoveries [6–8].

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
1-مقدمه
2- یافتن RNA های غیر کد کننده بلند
2-1 شناسایی واحد های رونویسی شده IncRNA
2-2 ارزیابی پتانسیل کد کننده رونوشت ها
2-3 حفظ توالی ها و ساختار ها
3-1 بافت ویژه بودن
3-2 مکان یابی زیر سلولی
4-1 روش های پیش بینی برای اثر متقابل IncRNA-RNA
ابزار های تحلیل ساختار های IncRNA
ساختار ثانویه RNA توالی RNA
پیش بینی ساختار RNA
پیش بینی های ساختار RNA پروبینگ
ساختار های ثانویه توالی های RNA
ساختار های ثانویه مشترک بین دو توالی RNA
پیش بینی ساختار ثالث
ابزار ها یا روش های دیگر مربوط به ساختار های ثانویه RNA
تحلیل موتیف های ساختاری RNA
خلاصه ای از این بخش
دیتابیس های IncRNA

بخشی از ترجمه فارسی مقاله:

1-مقدمه
فناوری های توالی یابی با بازدهی بالا ما را قادر به دست یابی به تعداد زیادی از IncRNA یا RNA های غیر کد کننده کرده است. با این حال، چون روش های شناسایی آزمایشی و تجربی فعلی از نظر توان و بازدهی محدودیت دارند، ابزار های بیوانفورماتیک سریع برای شناسایی IncRNA با صحت منطقی، لازم هستند.
چون IncRNA یک دسته منحصر به فرد از RNA هایی است که قادر به کد کردن پلی پپتید های کارکردی نیست، اولین نقش بیو انفورماتیک، شناسایی IncRNA از طریق فیلتر رونوشت های بلندی است که به نظر نمی رسد پروتین ها را کد گذاری کند. هدف تحقیق IncRNA نه تنها یافتن RNA غیر کد کننده بلند، بلکه شناسایی وظایف و نقش آن هاست. ابزار های بیوانفورماتیک متعددی برای پیش بینی ساختار ها و نقش توالی های RNA از جمله ابزار های مختلفی که از داده های ازمایشی استفاده می کنند وجود دارند.
بدیهی است که ساختار ها، به خصوص ساختار های ثانویه، از عوامل تعیین کننده نقش RNA های غیر کد کننده می باشد. بدیهی است که کارکرد ها و نقش های مشابه بین گونه ها حفظ می شوند. به این ترتیب ساختار های ثانویه و حفاظت آن ها با استفاده از ابزار های بیو انفورماتیک برای تعیین مقوله های کارکردی آن ها بررسی می شود. با این حال پیش بینی ساختار های ثانویه همیشه صحیح نیست. اگرچه استخراج ابعاد ساختاری کارکرد ها اسان نیست، با این حال حوزه های کارکردی دارای ویژگی های ساختاری می باشند.
نشانه های مهم برای کارکرد های IncRNA، از جمله زمان، مکان و روش را می توان از داده های ازمایشی استخراج کرد. الگوی بیان مکانی زمانی توسط توالی RNA نشاندهنده زمان و مکان فعال سازی کارکرد هاست.اثر متقابل با پروتین ها نشان دهنده نوع نقش و کارکرد می باشد. به علاوه، باز های مکمل در دو مولکول RNA اغلب جفت باز ها را تشکیل داده و موجب تخصصی شدن توالی برای RNA هدف می شود. اثر متقابل RNA-RNA را می توان با جست و جوی توالی های مکمل معکوس، فیلتر کرد.
2- یافتن RNA های غیر کد کننده بلند
دو مرحله در شناسایی IncRNA وجود دارد.در اولین مرحله، واحد های رونویسی شده IncRNA شناسایی می شوند. قطعات توالی های RNA رونویسی شده که با استفاده از فناوری های توالی یابی نسل اینده مشاهده می شود، بر روی ژنوم مرجع نگاشته شده و برای بدست اوردن واحد های رونویسی شده RNA خلاصه سازی می شوند. دومین مرحله، واحد های رونویسی شده رابه صورت کد کننده یا غیر کد کننده طبقه بندی می کند: توالی واحد های رونویسی شده بر اساس تشابه کدون با توالی های پروتین ارزیابی می شود.
قبل از ظهور فناوری های NGS، پیش بینی کاندید های RNA غیر کد کننده بر اساس توالی ها و تایید بیان آن ها از اهمیت زیادی برخوردار است. برای این پیش بینی، ویژگی های حفاظت شده توالی های کاندید در نظر گرفته می شود. این تحلیل ها برای شناسایی کارکرد های IncRNA اهمیت دارند.

بخشی از مقاله انگلیسی:

1. Introduction

Recent high throughput sequencing technologies have enabled us to obtain a number of candidates of long non-coding RNAs (lncRNAs). However, because the current experimental identification methods are still limited in their throughput, fast bioinformatics tools to identify and characterize lncRNAs with reasonable accuracy are required. Because non-coding RNA is an exclusive category of RNAs that do not code for functional polypeptides, the first task for bioinformatics is to identify lncRNAs by screening long transcripts that do not seem to code for proteins. The objective of lncRNA research, however, is not only to find long non-coding RNAs but also to identify their functions. There are various bioinformatics tools for predicting the structures and functions of RNA sequences, including several tools that incorporate other experimental data in the analysis, but it is not obvious which tools are most useful for any particular objective. It is known that structures, especially secondary structures, are important determinants of the functions of non-coding RNAs. It is also observed that genomic elements sharing similar functions are conserved between species. Therefore, secondary structures and their conservation are examined using bioinformatics tools to try to determine their functional categories. The predictions of secondary structures, however, are not always accurate. Nevertheless, although it is not always easy to extract concrete structural motifs related to functions, functional domains still may have structural features. Important clues for the functions of lncRNAs, including when, where and with what they are used, can be extracted from experimental data. Spatiotemporal expression patterns (in tissues, subcellular compartments, and differentiation/developmental stages) by RNA-seq or microarray indicate when and where functions are activated. Co-expression analysis with protein coding genes is useful for predicting with what, but a more direct way is to detect the interactions with proteins and other RNAs. Interactions with proteins may indicate the type of the function; furthermore, complementary bases in two RNA molecules often form base-pairs, giving high sequence specificity for the target RNAs of the functional RNAs. RNA–RNA interactions can be screened by searching reverse complementary subsequences, but precise analysis of structures both within and between RNA molecules is necessary for accurate prediction. In this paper, we review available bioinformatics tools for research into lncRNAs, including their discovery, analyses and predictions of the secondary structures, conservation, interactions with other RNAs and proteins, co-expression with protein-coding genes, tissue-specificities, and subcellular localizations. We also consider useful databases.

2. Finding long non-coding RNAs

There are two steps in the identification of lncRNAs. In the first step, the transcribed units of the lncRNAs are identified. The fragments of the transcribed RNA sequences, observed by using next-generation sequencing (NGS) technologies or tiling microarrays, are mapped to the reference genome and summarized to obtain the transcribed units of the RNAs. The second step classifies the transcribed units as coding or non-coding: the sequences of transcribed units are evaluated on the basis of codon statistics and similarity to known protein sequences. Before NGS technologies became available, however, it was common to predict candidates of (functional) non-coding RNAs on the basis of their sequences and to experimentally verify their expression. For this prediction, conserved features (including secondary structures) of candidate sequences are considered. These analyses are still important for characterization of the functions of lncRNAs.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

نمایش مسیر
الگوریتم اساسی ما پیش‌ازاین توصیه شد [27]. به‌طور خلاصه، دایره المعارف Kyoto تعاریف مسیر ژن‌ها و ژنوم ها [28] استفاده شد که در آن مسیرها در فرمت (KGML) زبان نشانه‌گذاری KEGG حفظ‌شده‌اند. مجموعاً ما 189 توصیف علامت‌دهی و متابولیک از KEGG وارد کردیم و این‌ها را در موارد MATLAB تجزیه‌وتحلیل کردیم و سپس به گراف‌های مستقیم تبدیل کردیم. پرونده‌های KGML شامل سه نوع مورد است: ورودی‌ها، روابط و واکنش‌ها. این‌ها می‌توانند به‌صورت موارد گرافیکی در نقشه مسیر مرتبط کشیده شود (پرونده اضافی 1). تنها ورودی‌ها (که متشکل از گره‌ها هستند و به‌صورت جعبه نمایش داده می‌شوند) و روابط (که به‌صورت مرز نمایش داده می‌شوند) در نمایش مسیرهای علامت‌گذاری که پروتئین‌ها (جعبه‌ها) با “روابط” پیوند داده‌شده‌اند، استفاده می‌شوند. تمام سه نوع در نمایش ساختار مسیرهای متابولیک برای گرفتن روابط لایه-آنزیم- محصول که در آن آنزیم‌ها (جعبه‌ها) با ” روابط” پیوند دارند و ترکیبات (دایره‌ها) با ” واکنش‌ها” پیوند دارند استفاده می‌شوند. برای تبدیل یک مسیر متابولیک به یک گراف به روشی منطقی، ما آنزیم‌ها را به‌عنوان گره‌ها در گراف نشان دادیم، درحالی‌که لایه‌ها و محصولات برای شناسایی جهت روابط (مرزها) بین گره‌ها استفاده شدند (شکل 2). درحالی‌که اذعان کردیم که ممکن نیست تا هرگونه تأثیر بر روی شار را با این منطق پیش‌بینی کرد، استدلال کردیم که هرگونه تغییر در تظاهر گره در یک مسیر متابولیک می‌تواند فیزیولوژیکی باشد مخصوصاً اگر گره‌ها متصل باشند.
نمایش مسیرها به‌صورت گراف با توجه به اینکه فراوانی را که ژن‌ها تنها یک‌بار در هر گراف مسیر نشان دادند کاهش می‌دهد، دارای مزیت است. یک الگوریتم جستجوی عمق اول (DFS) ناشی از نظریه گراف برای تضمین اینکه حلقه‌ها تنها یک‌بار شمرده می‌شوند به کار رفت.

امتیازدهی مسیر
روش ما اوزان را به تمام گره‌های مهم (همان DEGs) در یک مسیر اختصاص داد تا نیروی توپولوژیکی آن‌ها را نشان دهد (مخصوصاً تعداد گره‌های مهم پایین‌دست که به آن یا به‌صورت مستقیم یا از طریق دیگر گره‌های مهم اشاره شد همان‌طور که پیش‌ازاین توصیف شد [27]). یک PRS بر مبنای ارزش تغییر کل و وزن دهی تمام گره‌های مهم در مسیر و محاسبه شد و برای اندازه مسیر نرمال شد. هم‌چنین ما یک امتیاز Z را نیز محاسبه کردیم [29] (با بهبودی در اجراهای اولیه که در آن بعد از حذف ژن‌های فراوان از توصیفات مسیر، این کار انجام شد). نرم‌افزار دو فهرست از مسیرهای رتبه‌بندی شده طبق PRS و امتیاز Z را به دست می‌دهد که هم به برای تحلیل بیشتر هم به‌صورت فایل excel و هم به‌صورت.mat ذخیره شدند.

ارزیابی اهمیت مسیر
سپس ما احتمال کسب امتیازاتی حداقل به‌اندازه امتیاز PRS به‌صورت اتفاقی و با استفاده از روش جایگشت غیر پارامتریک را ایجاد کردیم. در ابتدا، مقادیر تغییر کل برای تمام ژن‌های ریزآرایه تغییر کرد. سپس این مقادیر به سمت مسیرها بازگشت و PRS دوباره محاسبه شد. این فرایند n بار تکرار شد که در آن n توسط مصرف‌کننده از طریق رابط ارائه شد (معمولاً n=1000). اهمیت آماری (مقدار p) هر امتیاز مسیر با مقایسه بین امتیاز مشاهده‌شده و امتیازات ایجادشده رندم n برآورد شد. برای کسب ارزیابی اهمیت آماری قابل‌اعتمادتر، مقادیر p برای چندین تست اصلاحی توسط روش نرخ کشف خطا (FDR) بر اساس آستانه ارائه‌شده توسط مصرف‌کننده، تنظیم شدند. این مسئله به‌صورت دقیق‌تر در گزارش اصلی ما توصیف‌شده است [27].

تجسم مسیرهای غنی‌شده
بعد از انجام تحلیل، نتایج به‌صورت فایل‌هایی با فرمت .mat برای بازیابی آسان ذخیره شدند. با کلیک کردن بر روی نام مسیر از فهرست مسیرهای رتبه‌بندی شده که در جدول 1 نشان داده‌شده است و انتخاب گزینه تجسم یک مسیر از رابط، یک نقشه مسیر علامت‌گذاری شده نشان داده خواهد شد. درواقع، نرم‌افزار یک خدمات وب نقشه‌کشی مسیر فرا خواهد خواند که بر روی وب‌سایت KEGG قرار دارد و تعدادی از پارامترها را من‌جمله فهرستی از ژن‌های تظاهر با تغییرات کلی و رنگ‌های مشخص را عبور می‌دهد تا بین DEG ها با ژن‌های غیر نهفته تفاوت قائل شود. شکل 3 نشان‌دهنده یک نقشه مسیر معمولی است که در آن ژن‌های مهم (بالای آستانه) به رنگ قرمز مشخص‌شده‌اند و غیر مهم‌ها (تغییر نکرده یا ظاهرنشده) به رنگ سبز.

UML برای مدل‌سازی و توصیف نرم‌افزار
در اینجا، ما از زبان مدل‌سازی یکپارچه (UML) استفاده کردیم تا ساختار و توابع روش خود را با نمودارها توصیف، مدل‌سازی و تجسم کنیم. 14 نوع نمودار دسته‌بندی‌شده در سه‌طبقه در UML 2.0 وجود دارد [30]، اگرچه، در این مقاله ما از دوتا استفاده کردیم: نمودارهای طبقه و توالی. نمودارهای طبقه ساختارهای ثابت یا موارد اصلی در نرم‌افزار را نشان می‌دهد. شکل 4 نشان‌دهنده طبقه‌های اصلی در مرحله تحلیل مسیر است. تحلیل طبقه، طبقه اصلی است که رابطی برای اجرای تمام خدمات ارائه‌شده توسط ابزار ارائه می‌کند؛ و دارای چهار ویژگی اصلی است:
– مورد ریزآرایه: موردی از طبقه “مجموعه داده- ریزآرایه” که با فراخوانی اولیه تابع ریزآرایه () ایجاد می‌شود (فایل اضافی 2 را ببینید)؛ و داده‌های تظاهر ژنی نرمال شده را و فهرستی از تمام ژن‌ها با مقادیر تغییر کلی‌شان را دارد.
– مورد KGML: موردی از طبقه “KGML_Parser” را با فراخوانی تابع ParseKGML(فایل اضافی 3 را ببینید) ایجاد می‌کند؛ و ساختار پایای تمام‌مسیرها را به‌عنوان فهرستی از موارد طبقه “KGML-PATH” که با فرمت KGML تعریف‌شده است، داراست. یک مورد از “KGML_path” ساختار یک مسیر KEGG را نشان می‌دهد و متشکل از فهرست مطالب، فهرست واکنش‌ها و فهرست روابط است (فایل اضافی 1 را ببینید).
– فهرست مسیر: این فهرستی از موارد طبقه مسیر است که با فراخوانی تابع Createpathlistfromkegg() ایجاد می‌شود (فایل اضافی 4 را ببینید). این مورد درنهایت فهرستی از مسیرهای غنی‌سازی شده با ارجاع به یک مجموعه داده ریزآرایه را داراست.
– مسیرهای رتبه دهی شده: این مورد با فراخوانی تابع rankpaths() ایجاد می‌شود؛ و دارای همان فهرست مسیرهای تعریف‌شده توسط Pathslist می‌باشد، اما به‌صورت نزولی بر اساس مقادیر PRS رتبه‌بندی شده‌اند.
نمودارهای توالی برای نشان دادن توابع ابزار PRS طبق انواع مختلف روابط درونی بین موارد استفاده‌شده است. به‌عنوان‌مثال، شکل 5 نمایش‌دهنده توابع PRS اصلی با گام‌های زیر است:
1. تبدیل مسیرها به گراف توسط تابع convertpath2graph که نیاز به استفاده از مورد KGML دارد و دارای فهرستی از مطالب، روابط و واکنش‌های تمام‌مسیرهاست.
2. با استفاده از اطلاعات ذخیره‌شده در مورد KGML و pathlist برای هر گراف (شکل 4 را ببینید)، فهرستی از گره‌ها (که هر گره نشان‌دهنده یک یا چند ژن از مسیر اصلی است) و فهرستی از کودکان برای هر گره ایجاد می‌شود.
3. حذف ژن‌های فراوان که ممکن است بارها در همان مسیر نشان داده‌شده باشد. دو تابع برای رسیدگی به فراوانی گره طراحی‌شده است: checknoderedundancy() و handlenoderedundancy().
4. بعد از ایجاد یک گراف برای هر مسیر، گراف‌ها با فراخوانی تابع createwightedgraphs() وزن دهی می‌شود که از الگوریتم DFS برای عبور دادن گره‌های هر گراف و اختصاص یک وزن برای هر گره مهم با در نظر گرفتن حلقه‌های گراف استفاده می‌کند.
5. امتیاز نظم مسیر (PRS) به هر گراف وزن دهی شده با استفاده از اوزان گره‌های مهم در گراف و دیگر پارامترها اختصاص می‌یابد.
ما تمام این طبقه‌ها، توابع و الگوریتم DFS را با استفاده از MATLAB R2010a اجرا کردیم.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

5. خلاصه و نتایج
این مطالعه ی به بررسی این سوال میپردازد که چه زمانی باید از روش گزینش مشخصه ی مبتنی بر GO به طور موثر استفاده کرد ، در حالی که مطالعه های قبلی روش های را برای چگونگی استفاده از این روش ارائه کرده اند. برای بررسی این سوال ، ما یک شبیه سازی را ایجاد کردیم. گام اول شبیه سازی الگوریتم 1 است که مجموعه ای از ژن ها را به عنوان خروجی تحویل میدهد. این ژن ها به طور متفاوتی بین یک طبقه کنترلی و یک طبقه ی آزمایشی بیان شده اند. این مجموعه از ژن ها نشان دهنده ی یک حالت زیستی است که با ∆ نشان داده میشود. ما داده های بیان ژنی مصنوعی را با استفاده از داده های واقعی جمع آوری شده از سلول های پوششی مسیر هوایی به دست آورده ایم. داده ها از طبقه ی آزمایشی ( نشان دهنده ی شرایط زیستی تغییر یافته ) بر گروه کنترلی مبتنی است ، به غیر از ژن هایی که در مجموعه ی ∆ هستند و بیانشان افزایش و یا کاهش یافته است. دامنه ی افزایش و یا کاهش ها در توسط پارامتر کنترل میشود. دو مجموعه داده ها شامل حالت های بنیادی روند های تولید داده هستند که نمونه هایی جدید با نویز جدید را ایجاد میکند. ما دوطبقه بندی کنندهی DLDA را روی داده های تولید شده از این ژن های اولیه تمرین میدهیم. یک طبقه بندی کننده از ویژگی های آماری برای انتخاب ژن ها استفاده میکند و طبقه بندی کننده ی دیگر از ویژگی های آماری در ارتباط با شباهت های معنایی در GO برای گزینش ژن ها استفاده میکند. ما یک اندازه گیری را به نام معرفی میکنیم که سطح تفسیر را کمی سازی کرده و یا همبندی ژن ها و عبارات را در یک حالت زیستی نشان میدهد.

بخشی از مقاله انگلیسی:

5. Summary and conclusion

This study addresses the question of when to use GO-based feature selection effectively, whereas previous studies have developed methods on how to use GO effectively for feature selection. To investigate this question, we created a simulation. The first step of the simulation process is Algorithm 1, which outputs a set of genes. These genes are differentially expressed between a control class and an experimental class. This set of genes represents a biological condition, and is denoted by D. We generate synthetic gene expression data using real data collected from large airway epithelial cells. The data from the experimental class (representing an altered biological condition) is based on the control class, except the genes that are in the set D have their expression either increased or decreased. The magnitude of increase or decrease for each gene in D is governed by the parameter d. These two datasets constitute the seed of our data generation process, which generates new samples with additional noise. We train two DLDA classifiers on data generated from these seed datasets. One classifier uses only statistical properties to select genes, and the other classifier uses statistical properties in conjunction with semantic similarity in GO to select genes. We define a measure called BCAL(G), which quantifies the annotation level, or connectedness of the genes and terms, in a biological condition.

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

چکیده:
علم مربوط به سیستم ها (systemics)، که یک تغییر پارادایم (الگو) انقلابی در تفکر علمی است، دارای کاربردهایی در سیستم های بیولوژی و بیولوژی سنتتیک می باشد، و منجر به شکل گیری ایده ی استفاده از کامپیوترهای سیلیکونی و اصول مهندسی آن ها به عنوان یک برنامه ی کار برای مهندسی یک ماشین مشابه که از بخش های بیولوژیک ساخته شده است، گردیده است. این جا ما این بلوک های ساختمانی و اینکه چگونه آن-ها می توانند برای ایجاد یک سیستم کامپیوتری و یا یک ریزپردازنده ی بیولوژیکی مونتاژ شوند را توصیف می-کنیم. چنین سیستمی دارای بخش های بیولوژیکی می باشد که از یک دستگاه ورودی / خروجی، یک واحد منطق حسابی، و یک واحد کنترل، حافظه و سیم ها ساخته شده است تا این اجزا را به هم متصل کند. یک بیوکامپیوتر می تواند برای پایش و کنترل یک سیستم بیولوژیکی مورد استفاده قرار بگیرد.
مقدمه:
طبیعت و کامپیوترها کلماتی می باشند که برای چیزهای غیرمرتبط مورد استفاده قرار می گیرند. به هر حال، این دیدگاه تغییر کرده است و آغاز تغییر آن از دهه 1940 بوده است یعنی زمانی که یک پارادایم (الگو) علمی انقلابی، یعنی علم سیستم مبتنی بر فلسفه ی آرمانی افلاطونی، محبوبیت خودش را به دست آورده بود.
ریشه های آرمان گرایی فلسفی مبتنی بر علم سیستم ها، به افلاطون بر می گردد. یک بخش مرکزی از کار افلاطون، تئوری او از اشکال می باشد، که تئوری ایده ها نیز نامیده می شود. اشکال، الگوی اولیه می باشد و برنامه کار، لزوم پدیده های مختلف از چیزهای مشابه می باشد. از نظر افلاطون، جهان برتر شامل موضوعات ریاضی، شرایط، و ایده های انتزاعی غیرمادی می باشد. به علاوه، افلاطون در بیان خودش یک مفهومی به نام سیستم را معرفی کرد. یک سیستم، مطابق با بیان افلاطون، یک مدلی برای تفکر در مورد این است که چگونه ساختارهای پیچیده ایجاد می شوند. یک فیلسوف آرمان گرای دیگر، به نان کانت، در سال 1970 در مقاله ی انتقادی خودش از قضاوت، مفهوم خودسازمان دهی را معرفی کرد. مفاهیم آرمان گرایی مبتنی بر علم سیستم-ها، به منظور درک پیچیدگی و مسایل با داده های بزرگ، در علم معاصر دارای اهمیت شده است. بین دهه های 1950 و 1960، 3 کار منتشر شده است: 1948، نوربرت واینر، فرمانشناسی (سیبرنتیک) یا کنترل و ارتباط در حیوانات و دستگاه ها را منتشر کرد. در 1955 ویلیامز روس آشبی، “مقدمه ای بر سیبرنتیک” را منتشر کرد. در 1968، لودوینگ برتالانفی “تئوری سیستم های عمومی: اساس، پیشرفت، کاربردها” را منتشر کرد. برتالانافی، مفهوم سیستم ها را تعریف کرد. سیبرنتیک، سیستم های پیچیده ای را توصیف می کند که دارای یک تعداد بزرگی از بخش های تعاملی و مرتبط می باشند. وینر و آشبی، پیشگام استفاده از ریاضی برای مطالعه ی سیستم ها بودند. این تئوری سیستم ها سپس در سال های آینده پیشرفت کرد. سهم های مهم در این زمینه مربوط به هینز فوئرستر می باشد، او در کار خود روی سیبرنتیک و توضیح سیستم های تنظیمی تمرکز کرده است و او کسی است که در سال 1958 آزمایشگاه کامپیوترهای بیولوژیکی را در دپارتمان مهندسی الکتریک در دانشگاه ایلی نویز تاسیس کرد. کار BCL، تمرکز روی مشابهت ها در سیستم های سیبرنتیک و الکترونیک و به ویژه محاسبات ملهم از بیولوژی بوده است.
سایر سهم های مهم در علم سیستم ها متعلق به کارهای ایلیا پریگوگین، برنده ی جایزه ی نوبل می باشد که روی خودسازمان دهی و مفاهیم تئوری سیستم ها در ترمودینامیک کار کرده بود. به علاوه، کار میشل فیگنبائومز روی تئوری بی نظمی نیز دارای اهمیت می باشد. در حال حاضر، تئوری سیستم ها در علوم زیستی در زمینه هایی مانند سیستم های بیولوژی، و بیولوژی سنتتیک و کاربرد عملی آن ها کاربرد خودش را یافته است. اصطلاح سیستم های بیولوژی توسط برتالانفای در سال 1928 شکل گرفت. بیولوژی سیستم ها روی تعاملات پیچیده در سیستم های بیولوژیک و کاربرد یک چشم انداز جامع تمرکز دارد.
روی هم رفته، این نوع از تفکر منجر به شناسایی ایده هایی فراتر ار پردازش داده ها در طبیعت و همچنین در ماشین هایی مانند کامپیوترهای سیلیکونی شده است.

بخشی از مقاله انگلیسی:

Abstract

Systemics, a revolutionary paradigm shift in scientific thinking, with applications in systems biology, and synthetic biology, have led to the idea of using silicon computers and their engineering principles as a blueprint for the engineering of a similar machine made from biological parts. Here we describe these building blocks and how they can be assembled to a general purpose computer system, a biological microprocessor. Such a system consists of biological parts building an input / output device, an arithmetic logic unit, a control unit, memory, and wires (busses) to interconnect these components. A biocomputer can be used to monitor and control a biological system.

Introduction

Nature and computers are words that used to mean unrelated things. However, this view changed, starting in the 1940s, when a revolutionary scientific paradigm, systemics based on platonic idealistic philosophy, gained popularity [1] [2] [3]. The roots of philosophical idealism based systemics goes back to Plato. A centerpiece of Plato’s (428/7 to 348/7 BC) work is his theory of forms, also called theory of ideas [2]. Forms are archetypes, blueprints, the essences of the various phenomena of the same thing. The superior world consists, due to Plato, of mathematical objects, terms and non-materialistic abstract ideas. Moreover, Plato introduced in his dialogue Philebus a concept called System [4]. A system is according to Plato a model for thinking about how complex structures are developed. Another idealistic philosopher, Kant, introduced, in 1790, in his Critique of Judgment the concept of self-organizing [5]. Idealistic concepts based systemics have become important in contemporary science in order to understand complexity and big data problems. Between the 1950s and 60s three groundbreaking works were published: 1948, Norbert Wiener publishes “Cybernetics or Control and communication in the animal and machine” [1]. In 1955 William Ross Ashby’s “Introduction to cybernetics” came out [6]. 1968, Ludwig Bertalanffy published “General System theory: Foundations, Development, Applications” [7]. Bertalanaffy defined the concept of systems. Cybernetics explains complex systems that exist of a large number of interacting and interrelated parts. Wiener and Ashby pioneered the use of mathematics to study systems. This systems theory was further developed in the following years. Important contributions to the field are by Heinz Foerster, whose work focused on cybernetics, the exploration of regulatory systems, and who founded in 1958 the Biological Computer Lab (BCL) at the Department of Electrical Engineering at the University of Illinois [8]. The work of the BCL was focused on the similarities in cybernetic systems and electronics and especially biology inspired computing [9]. Other important contributions to systemics are by the Nobel-prize winning work of Ilya Prigogine on self-organization and his systems theory concepts in thermodynamics [10]. Furthermore: Mitchell Feigenbaums work on Chaos theory [11]. Contemporary application finds systems theory in bioscience in fields such as systems biology, and its practical application synthetic biology [12]. The term systems biology was created by Bertalanffy in 1928 [13]. Systems biology focuses on complex interactions in biological systems by applying a holistic perspective [12]. Altogether, this kind of thinking has led to the identification of ideas behind data processing in nature, but also in machines, such as silicon computers.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
1-مقدمه
2- روش های طبقه بندی توالی
2-1 طبقه بندی مبتنی بر ویژگی
2-2 دسته بندی مبتنی بر فاصله توالی
2-3 ماشین بردار پشتیبان
2-4 دسته بندی مبتنی بر مدل
3- نسخه ها ی مختلف دسته بندی توالی
3-1 دسته بندی اولیه
3-2 دسته بندی توالی نیمه نظارت شده
3-3 دسته بندی توالی با یک توالی و دنباله ای از برچسب ها
4- کاربرد دسته بندی توالی
4-1 داده های ژنومیک
4-2 داده ها ی سری ها ی زمانی
4-3 داده ها ی متنی
5- نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1- مقدمه
طبقه بندی توالی دار ای طیف وسیعی از کاربرد ها می با شد. در تحقیقات ژنومی، طبقه بندی توالی ها ی پروتین به دسته ها ی موجود بر ای یادگیری وظایف و کارکرد ها ی پروتین استفاده می شود(13). در انفورماتیک سلامت، طبقه بندی سری ها ی زمانی ECG ( سری ها ی زمانی ضربان قلب) به ما می گوید که آیا داده ها مربوط به یک فرد سالم هستند یا مربوط به یک بیمار مبتلا به بیماری قلبی است(59). در تشخیص نفوذ و ناهنجاری، توالی فعالیت ها ی دسترسی سیستم بر روی یونیکس بر ای تشخیص رفتار ها ی غیر طبیعی و ناهنجاری پایش می شود(33). در باز یابی اطلاعات، طبقه بندی اسناد به مقوله ها ی موضوعی مختلف، توجهات زیادی ر ا به خود جلب کرده است(51). سایر مثال ها ی جالب شامل طبقه بندی توالی ها ی کوئری بر ای تمایز ربات ها ی ا ینترنتی از کاربر ان انسان( 58، 18) و طبقه بندی داده ها ی توالی تر انسفکشن در یک بانک بر ای مبارزه با پول شویی، می با شد(42).
به طور کلی، یک توالی، فهرست منظمی از رویداد هاست. یک رویداد ر ا می توان به صورت یک ارزش نمادین، یک ارزش واقعی عددی، یک بردار با ارزش واقعی یا یک داده نوع پیچیده در نظر گرفت. در ا ین مقاله، داده ها ی توالی یا دنباله ای به زیر انواع زیر در نظر گرفته می شود
• با توجه به القای علایم و نماد ها fE1; E2; E3; :::; Eng، یک توالی نمادین ساده ، فهرست منظمی از نماد ها از الفبا می با شد. بر ای مثال، یک توالی DNA متشکل از چهار امینو اسید A-C-G-T و قطعه DNA نظیر ACCCCCGT می با شد که یک توالی نمادین ساده است.
• یک توالی نمادین ساده، فهرستی از بردار ها می با شد. هر بردار یک زیر مجموعه ای از الفبا(34) می با شد. بر ای مثال، بر ای توالی ایتم ها ی خریداری شده توسط یک مشتری در یک سال، در نظر گرفتن هر تر اکنش به صورت یک بردار، یک توالی یا دنباله می تواند به صورت ساعت است (شیر؛ نان) (شیر؛ تخم مرغ) (سیب زمینی؛ پنیر؛ کک) در نظر گرفته شود.

4-2 داده ها ی سری ها ی زمانی
داده ها ی سری ها ی زمانی نوع مهمی از داده ها ی توالی یا دنباله ای می باشند. در کتابخانه داده ها ی سری ها ی زمانی، داده ها ی سری ها ی زمانی در 22 حوزه از جمله کشاورزی، شیمی، سلامت، مالی، صنعت و غیره جنع اوری شده اند داده ها ی سری ها ی زمانی ucr مجموعه ای از دیتاست ها ر ا به عنوان معیار ارزیابی روش ها ی دسته بندی سری ها ی زمانی ار ایه می کند
بر ای داده ها ی سری ها ی زمانی ساده، بر ای استفاده از روش ها ی مبتنی بر ویژگی، انتخاب ویژگی یک فر ایند چالش بر انگیز می باشد زیر ا ما قادر به شمارش ویژگی ها با داده ها ی عددی نیستیم. از اینر وی روش ها ی فاصله ای بر ای طبقه بندی سری ها ی زمانی استفاده می شوند. نشان داده شده است که در مقایسهب ا طیف وسیعی از دسته ند ها، SVM، HMM و نزدیک ترین همسایه دار ای اهمیت زیادی می باشند. به منظور استفاده از روش ها ی مبتنی بر ویژکی در سری ها ی زمانی ساده، قبل از انتخاب ویژگی، داده ها ی سری ها ی زمانی بایستی به توالی ها ی نمادین از طریق تبدیل نمادین تبدیل شوند. در مقایسه با روش ها ی فاصله ای، روش ها ی مبتنی بر ویژکی موجب تسریع فر ایند دسته بندی شده و یک سری نتایج قابل تفسیر ر ا ار ایه می کند. روش ها ی مبتنی بر مدل بر ای دسته بندی سری ها ی زمانی ساده نظیر HMM استفاده می شو.ند.
طبقه بندی سری ها ی زمانی چند متغیره بر ای تشخیص حرکت و اشاره استفاده شده است. داده ها ی چند ماغیره از طریق مجموعه ای از سنسور ها بر ای اندازه گیری حرکت اشیا در مناطق مختلف تولید می شوند. بر ای دسته بندی سری ها ی زمانی چند متغیره، کادوس و همکار ان یک دسته بند مبتنی بر ویژکی ر ا پیشنهاد کرده اند. برخی از فر ا ئیژگی ها بر ای توصیف روند افزایشی یا کاهشی، سری ها ی زمانی چند متغیره استفاده می شوند. لی و همکار ان روشی ر ا بر ای تبدیل سری ها ی زمانی چند متغیره به یک بردار از طریق تجزیه ارزش عددی و تبدیلات دیکر ار ایه کرده اند.SVM بر ای دسته بندی بردار ها استفاده می شود
4-3 داده ها ی متنی
دسته بندی توالی به طور گسترده ای در بازیابی اطلاعاات بر ای دسته بندی متن و اسناد استفاده می شود. ر ایج ترین روش ها بر ای دسته بندی متن شامل بیز ساده، و Svm می باشند. دسته بندی متن دار ای انواع مختلفی می باشد که شامل دسته بندی چند برچسبی، دسته بندی سلسله مر اتبی، و دسته بندی متن نیمه نظارت شده است. شبستانی و همکار ان، یک مطالعه دقیق ر ا بر روی دسته بندی متنی ار ایه کرده اند.
5- نتیجه گیری
در این مقاله ما یک مروری بر طبقه بندی و دسته بندی متن داشتیم. داده ها ی توالی به 5 زیر نوع طبقه بندی شد. روش ها ی دسته بندی توالی در روش ها ی مبتنی بر ویژگی ، روش ها ی مبتنی بر فاصله توالی و روش ها ی مبتنی بر مدل طبقه بندی شد. سپس دسته بندی توالی متعارف نیز بحث شد. در نها یت، روش ها ی مختلف در حوزه ها ی کاربردی مختلف مقایسه شدند
نتایج نشان می دهد که بیشتر کار ها بر دسته بندی توالی ها ی نمادین ساده و سری ها ی زمانی ساده تاکید دارند. اگرچه مطالعات کمی بر روی سری ها ی زمانی چند متغیره وجود دارد مسئله طبقه بندی داده ها ی توالی هنوز حل نشده است. به علاوه بیشتر روش ها به دسته بندی توالی متعارف تخصیص داده شده است. استریمینگ طبقه بندی توالی، اولیه، نیمه نظارت شده و ترکیبی از این مسائل بر روی داده ها ی توالی پیچیده که دار ای کاربرد ها ی زیادی می باشند می توانند چالشی بر ای مطالعات اینده باشند.

بخشی از مقاله انگلیسی:

1. INTRODUCTION

Sequence classification has a broad range of real-world applications. In genomic research, classifying protein sequences into existing categories is used to learn the functions of a new protein [13]. In health-informatics, classifying ECG time series (the time series of heart rates) tells if the data comes from a healthy person or comes from a patient with heart disease [59]. In anomaly detection/intrusion detection, the sequence of a user’s system access activities on Unix is monitored to detect abnormal behaviors [33]. In information retrieval, classifying documents into different topic categories has attracted a lot of attentions [51]. Other interesting examples include classifying query log sequences to distinguish web-robots from human users [58; 18] and classifying transaction sequence data in a bank for the purpose of combating money laundering [42]. Generally, a sequence is an ordered list of events. An event can be represented as a symbolic value, a numerical real value, a vector of real values or a complex data type. In this paper, we consider sequence data into the following subtypes. • Given an alphabet of symbols {E1, E2, E3, …, En}, a simple symbolic sequence is an ordered list of the symbols from the alphabet. For example, a DNA sequence is composed of four animo acid A, C, G, T and a DNA segment, such as ACCCCCGT , is a simple symbolic sequence. • A complex symbolic sequence is an ordered list of vectors. Each vector is a subset of the alphabet [34]. For example, for a sequence of items bought by a customer over one year, treating each transaction as a vector, a sequence can be h(milk, bread)(milk, egg)· · · (potatos, cheese, coke)i.

4.2 Time Series Data

Time series data is an important type of sequence data. In Time Series Data Library [4], time series data across 22 domains, such as agriculture, chemistry, health, finance,industry, are collected. UCR time series data archive [27] provides a set of time series datasets as a benchmark for evaluating time series classification methods. For simple time series data, to apply feature based methods, the feature selection is a challenging task since we cannot do feature enumeration on numeric data. Therefore, distance based methods are widely adopted to classify time series [61; 26; 59; 48]. It is shown that comparing to a wide range of classifiers, such as neural networks, SVM and HMM, 1- nearest neighbor classifier with dynamic time warping distance is usually superior in classification accuracy [61]. To apply feature based methods on simple time series, usually, before feature selection, time series data needs to be transformed into symbolic sequences through discretization or symbolic transformation [40]. Without discretization, Ye et al. [65] propose a method to find time series shapelets and use a decision tree to classify time series. Comparing to distance based methods, feature based methods may speed up the classification process and be able to generate some interpretable results. Model based methods are also applied to classify simple time series, such as HMM which is widely used in speech recognition [47]. Multivariate time series classification has been used for gesture recognition [24] and motion recognition [38]. The multivariate data is generated by a set of sensors which measure the movements of objects in different locations and directions. For multivariate time series classification, Kadous et al. [24] propose a feature based classifier. A set of userdefined meta-features are constructed and a multivariate time series is transformed into a feature vector. Some universal meta-features include the features to describe the trends of increases and decreases and local max or min values. By using those features, multivariate time series with additional non-temporal attributes can be classified by a decision tree. One multivairate time series can be viewed as a matrix. Li et al. [31] propose a method to transform a multivariate time series into a vector through singular value decomposition and other transformations. SVM is then used to classify the vectors.

4.3 Text Data

Sequence classification is also widely used in information retrieval to categorize text and documents. The widely used methods for document classification include Naive Bayes [29] and SVM [43]. Text classification has various extensions such as multi-label text classification [67], hierarchical text classification [57] and semi-supervised text classification [46]. Sebastiani et al. [51] provide a more detailed survey on text classification .

5. CONCLUSION

In this paper, we provide a brief survey on sequence classification. We categorize sequence data into five subtypes. We group sequence classification methods in feature based methods, sequence distance based methods and model based methods. We also present several extensions of the conventional sequence classification. At last, we compare sequence classification methods applied in different application domains. We notice that most of the works focus on the classification task on simple symbolic sequences and simple time series data. Although there are a few works on multiple variate time series and complex symbolic sequences, the problem of classifying complex sequence data is still open at large. Furthermore, most of the methods are devoted to the conventional sequence classification task. Streaming sequence classification, early classification, semi-supervised classification on sequence data and the combinations of those problems on complex sequence data which have practical applications, present challenges for future studies.