پیش بینی ژن های ضروری با استفاده از الگوریتم های یادگیری ماشین

ژن های ضروری نقش بنیادینی در بقا، رشد و عملکرد موجودات زنده ایفا می کنند و شناسایی دقیق آن ها در حوزه هایی مانند زیست شناسی سامانه ای، کشف دارو و مهندسی ژنتیک اهمیت بالایی دارد. با توجه به محدودیت ها، هزینه و زمان بر بودن روش های آزمایشگاهی، رویکردهای محاسباتی به ویژه یادگیری ماشین به عنوان ابزاری کارآمد برای پیش بینی ژن های ضروری مطرح شده اند. در این پژوهش، یک چارچوب بیوانفورماتیکی مبتنی بر الگوریتم های یادگیری ماشین برای پیش بینی ژن های ضروری ارائه شده است. ویژگی های استخراج شده شامل ویژگی های توالی، ساختاری، شبکه ای و عملکردی ژن ها بوده و از پایگاه های داده معتبر ژنومی و پروتئومی گردآوری شده اند. عملکرد چند الگوریتم یادگیری ماشین شامل Random Forest، Support Vector Machine و XGBoost با یکدیگر مقایسه شد. نتایج نشان داد که مدل Random Forest با دقت و مقدار AUC بالاتر، عملکرد بهتری در شناسایی ژن های ضروری دارد. یافته های این پژوهش نشان می دهد که استفاده از یادگیری ماشین می تواند به عنوان روشی موثر و قابل اعتماد برای پیش بینی ژن های ضروری مورد استفاده قرار گیرد و زمینه ساز پژوهش های آینده در حوزه بیوانفورماتیک و کشف اهداف درمانی باشد.

کلیدواژه ها:

ژن های ضروری ، بیوانفورماتیک ، یادگیری ماشین ، Random Forest ، پیش بینی ژن