پیش بینی ارتباط میان RNA حلقوی و بیماری با ترکیب روش های شبکه گراف نمونه و تجمیع و الگوریتم بهینه سازی ستاره دریایی

شناسایی ارتباط میان RNA حلقوی و بیماری در پیش بینی و پیشگیری بسیاری از بیماری ها ضروری است. از این رو، تحقیقات زیادی به شناسایی این ارتباطات توسط روش های بیولوژیکی و محاسباتی مختلفی پرداخته اند. اما این روش ها زمانبر بوده و دارای محدودیت هایی از جمله کمبود داده و عدم توانایی در استخراج و انتخاب ویژگی های پیچیده و عمیق می باشند. در این مطالعه، برای حل محدودیت های موجود در روش های قبل، ترکیب روش های شبکه گراف نمونه و تجمیع و الگوریتم بهینه سازی ستاره دریایی را معرفی کرده ایم. در روش پیشنهادی ابتدا به محاسبه شباهت های بیماری ها و RNA های حلقوی با عوامل فرعی دیگر به عنوان ویژگی های کلی پرداخته و سپس با روش شبکه گراف نمونه و تجمیع به استخراج ویژگی های پیچیده و پنهان در داده ها می پردازیم و ویژگی های استخراج شده، برای انتخاب ویژگی به الگوریتم بهینه سازی ستاره دریایی فرستاده می شود. در نهایت نیز از یک روش پرسپترون چند لایه برای پیش بینی استفاده کردیم و به نتایج دقت برابر با ۹۳.۲۷ و مساحت زیر منحنی مشخصه های عملیاتی گیرنده برابر با ۰.۹۸۴۳ در اعتبارسنجی متقابل پنج گانه دست یافتیم که از مدل های پیشرفته دیگر بهتر عمل کرده. همچنین مطالعه موردی را بر روی ۴ نوع سرطان انجام داده و نشان دادیم روش پیشنهادی ما توانسته ۱۶ مورد از ۲۰ مورد را به خوبی شناسایی کند که نشان دهنده پتانسیل و توانایی مدل در تحقیقات زیست پزشکی می باشد.