کلاسه بندی فعالیت پروتئین P53 مبتنی بر استخراج ویژگی و شبکه های عصبی احتمالی

طبیعت داده های بیولوژیک به گونه ای است که داده ها با حجم و جزئیات بیشتری ذخیره می شوند بنابراین کلاسه بندی این نوع داده ها در ماشینهای یادگیری اساسا با مشکل حجم بزرگ داده مواجه است چرا که هم پیچیدگی کلاسه بندی افزایش می یابد و هم درستی و دقت کلاسه بندی کاهش می یابد. برای کاهش ابعاد می توان از دو روش انتخاب ویژگی و یا استخراج ویژگی استفاده کرد دراین مطالعه از روش استخراج ویژگی برای کاهش بعد استفاده شده و از شبکه های عصبی احتمالی برای کلاسه بندی فعالیت مجموعه داده پروتئین P53 استفاده شده است پروتئین P53 در چرخه سلولی درمناطق کنترل وضعیت در صورت وجود اسیب در DNA سلول باعث ممانعت از تکثیر سلول یا مرگ سلول می شود در بیش از 50 درصد سرطانهای دنیا جهش در ژن P53 یافته شده است که منجر به اختلال در فعالیت پروتئین P53 می شود از این رو P53 از مهمترین اهداف ژن درمانی تومور به حساب می اید کلاسه بندی فعالیت این پروتئین به دو دسته فعال و غیرفعال با استفاده از استخراج ویژگی و شبکه های عصبی احتمالی کاری است که دراین مقاله انجام شده است.

کلیدواژه ها:

سرطان ، پروتئین P53 ، استخراج ویژگی ، کلاسه بندی