شناسایی مهارکننده جدید گیرنده دوم فاکتور رشد اندوتلیال عروقی با استفاده از مدل طبقه بندی ماشین بردار پشتیبان

امروزه با شیوع گسترده سرطان و افزایش مرگ و میر ناشی از آن، راه های موثر برای درمان سرطان از اهمیت بالایی برخوردار است. رگ زایی غیرطبیعی، یکی از ویژگی های مشترک انواع مختلف سرطان شناخته شده است. تا کنون مهار مسیر سیگنالینگ گیرنده دوم فاکتور رشد اندوتلیال عروق، به دلیل نقش پیش رگ زایی آن ببسیار مورد توجه قرار گرفته است. از اینرو، یافتن مدل های محاسباتی قابل اطمینان برای شناسایی مهارکننده ها می تواند در کاهش زمان و هزینه موثر باشد. هدف از این مطالعه به کارگیری روش ماشین بردار پشتیبان جهت طبقه بندی ترکیبات در دو گروه مهارکننده و غیرمهارکننده می باشد.

به منظور پیاده سازی مدل یادگیری ماشین، لیگاندهای مورد مطالعه در این پژوهش از پایگاه داده https://www.bindingdb.org  استخراج گردید و پس از گذراندن پیش پردازش های لازم برخی روش های انتخاب ویژگی مبتنی بر فیلتر و تعبیه شده مورد استفاده قرار گرفته شد. پس از استخراج توصیفگرها از داده ها، با استفاده از الگوریتم انتخاب ویژگی مبتنی بر همبستگی ابعاد داده کاهش یافته است تا بدین طریق از بیش برازش مدل جلوگیری شود. برای طبقه بندی از مدل ماشین بردار پشتیببان به همراه کرنل های Radial Basis Function (RBF)، Polynomial، Sigmoid و Linear استفاده شده است.

پیاده سازی مدل ماشین بردار پشتیبان با کرنل RBF به همراه روش انتخاب ویژگی مبتنی بر همبستگی صحت بالاتری به میزان (0/008  (P=82/4%)  نسبت به سایر روش های انتخاب ویژگی بکار گرفته شده در این مطالعه به همراه داشته است.

مشاهدات بیانگر آن است که روش انتخاب ویژگی مبتنی بر همبستگی، نسبت به سایر روش های به کار گرفته شده در این مطالعه از صحت بالاتری برخوردار است.