افزایش دقت پیش بینی ریسک خودایمنی داروها با انتخاب ویژگیهای مهم مبتنی بر ترکیب الگوریتم بهینه سازی غزال کوهستان و طبقه بند ماشین بردار پشتیبان

این پژوهش با هدف ارائه یک روش ترکیبی نوآورانه برای پیش بینی دقیق تر ریسک خودایمنی ناشی از داروها انجام شده است. در این مطالعه از یک چارچوب ترکیبی مبتنی بر الگوریتم فراابتکاری بهینه سازی غزال کوهستان و طبقه بند ماشین بردار پشتیبان استفاده شده است. از الگوریتم بهینه سازی غزال کوهستان به عنوان یک روش کارا برای انتخاب بهینه زیرمجموعه ای از ویژگی های موثر از مجموعه داده Drug Induced Autoimmunity Prediction استفاده شد. این الگوریتم با شبیه سازی رفتارهای طبیعی غزال های کوهستان شامل رفتار اجتماعی، فرار از شکارچیان و مهاجرت فصلی، به دنبال یافتن ترکیبی از ویژگی های بیولوژیکی و فارماکولوژیکی می باشد که بیشترین تاثیر را در تشخیص داروهای با ریسک خودایمنی بالا دارند. در مرحله بعد از طبقه بند ماشین بردار پشتیبان که بر روی این ویژگی های انتخاب شده آموزش داده شده برای پیش بینی نهایی و طبقه بندی داروها به دو گروه خودایمن و غیر خودایمن از نظر عوارض خودایمنی استفاده گردید. نتایج حاصل از ارزیابی روش پیشنهادی بر روی مجموعه داده تست نشان می دهد که ترکیب الگوریتم بهینه سازی غزال کوهستان و ماشین بردار پشتیبان منجر به بهبود قابل توجهی در معیارهای دقت، صحت، یادآوری و F-Score در مقایسه با روش های متعارف شده است. این امر حاکی از آن است که روش پیشنهادی موفق به حذف ویژگی های اضافه و نویز شده و مدلی کاراتر و قابل اعتمادتر ایجاد کرده است. یافته های این تحقیق حاکی از کارایی بالای روش ترکیبی پیشنهادی در شناسایی به موقع داروهای پرخطر از نظر عوارض خودایمنی است. شرکت های داروسازی می توانند با بهره گیری از این مدل ارزیابی ایمنی داروها را بهبود بخشیده و اقدامات پیشگیرانه لازم را برای کاهش عوارض خودایمنی داروها اتخاذ نمایند. این مطالعه گامی موثر در به کارگیری الگوریتم های هوش محاسباتی نوین برای حل چالش های عملی در حوزه ایمنی داروها است.

کلیدواژه ها:

داده کاوی ، یادگیری ماشین ، انتخاب ویژگی ، طبقه بندی ، ریسک خود ایمنی ، دارو ، الگوریتم بهینه سازی غزال کوهستان ، ماشین بردار پشتیبان