تاثیر ورزش مقاومتی بر اپی ژنتیک ورزشکاران با استفاده از داده های هوش مصنوعی

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 14

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NRSSPE10_378

تاریخ نمایه سازی: 29 مرداد 1405

چکیده مقاله:

زمینه و هدف: اپی ژنتیک به عنوان یکی از مکانیسم های کلیدی تنظیم بیان ژن، نقش مهمی در سازگاری های فیزیولوژیک ناشی از تمرین ایفا می کند. ورزش مقاومتی از طریق تنش مکانیکی، استرس متابولیک و فعال سازی مسیرهای سیگنالینگ آنابولیک (مانند mTOR)، می تواند تغییرات پایدار در متیلاسیون DNA، اصلاحات هیستونی و بیان RNAهای غیرکدکننده ایجاد کند. با توجه به پیچیدگی و چندبعدی بودن داده های اپی ژنتیک، بهره گیری از الگوریتم های هوش مصنوعی امکان تحلیل الگوهای پنهان و پیش بینی پاسخ های تمرینی را فراهم می سازد. هدف این مطالعه، بررسی اثر ۱۲ هفته تمرین مقاومتی بر نشانگرهای اپی ژنتیک ورزشکاران و توسعه مدل های پیش بین مبتنی بر یادگیری ماشین بود. روش ها: در یک طرح نیمه تجربی طولی، ۶۰ ورزشکار سالم (۱۸–۳۵ سال) در یک برنامه تمرین مقاومتی پیشرونده (۳ جلسه در هفته، شدت ۷۰–۸۵٪ ۱RM) شرکت کردند. نمونه های خون محیطی و بیوپسی عضله اسکلتی پیش و پس از مداخله جمع آوری شد. متیلاسیون DNA با روش Illumina EPIC array، تغییرات هیستونی با ChIP-seq و پروفایل miRNA با RNA-seq ارزیابی گردید. داده ها پس از نرمال سازی و کاهش ابعاد، با استفاده از الگوریتم های Random Forest، SVM و شبکه عصبی چندلایه تحلیل شدند. اعتبار مدل ها با cross-validation ده برابری و شاخص های دقت، حساسیت، اختصاصیت و AUC ارزیابی شد. یافته ها: تمرین مقاومتی منجر به کاهش معنادار متیلاسیون در نواحی پروموتری ژن های مرتبط با میوژنز و سنتز پروتئین (p<۰.۰۱) و افزایش استیلاسیون H۳K۲۷ac در ژن های متابولیک گردید. همچنین بیان miRNAهای تنظیم کننده مسیرهای آنابولیک به طور معنی دار تعدیل شد. شبکه عصبی عمیق بالاترین توان پیش بینی تغییرات اپی ژنتیک را نشان داد (دقت ۹۴٪، AUC=۰.۹۶). تحلیل اهمیت ویژگی ها نشان داد شدت نسبی تمرین و حجم کل بار تمرینی قوی ترین پیش بینی کننده های تغییرات اپی ژنتیکی بودند. نتیجه گیری: ورزش مقاومتی موجب بازآرایی معنادار الگوهای اپی ژنتیک مرتبط با رشد و سازگاری عضلانی می شود. ترکیب داده های مولکولی با الگوریتم های هوش مصنوعی امکان پیش بینی پاسخ اپی ژنتیک فردی را فراهم کرده و بستری برای طراحی برنامه های تمرینی شخصی سازی شده ایجاد می کند. این رویکرد می تواند گامی موثر در توسعه فیزیولوژی ورزشی دقیق (Precision Exercise Physiology) باشد.

نویسندگان

مهرداد جاسمی

کارشناسی ارشد فیزیولوژی ورزشی و تندرستی، دانشگاه ایلام