ارائه یک روش ترکیبی مبتنی بر الگوریتم بهینه سازی کرم شب‌تاب و ماشین بردار پشتیبان جهت شناسایی مواد فعال‌کننده گیرنده آندروژن

ارائه یک روش ترکیبی مبتنی بر الگوریتم بهینه سازی کرم شب‌تاب و ماشین بردار پشتیبان جهت شناسایی مواد فعال‌کننده گیرنده آندروژن

آیدا تماری1 مجتبی حکیم زاده2 حسن قائدی3

1) گروه کامپیوتر ، دانشگاه آزاد اسلامی، واحد تنگستان، اهرم ، ایران
2) گروه برق ، دانشگاه آزاد اسلامی، واحد تنگستان، اهرم ، ایران
3) گروه کامپیوتر ، دانشگاه آزاد اسلامی، واحد خورموج، خورموج ، ایران

کد IOI مقاله : AAHD-ABGZBD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    شناسایی مواد فعال‌کننده گیرنده آندروژن (AR) به دلیل اهمیت در بیماری‌هایی مانند سرطان پروستات، در غربالگری مجازی دارویی حیاتی است. روش‌های آزمایشگاهی سنتی پرهزینه و زمان‌بر هستند. در این پژوهش، یک مدل کمی رابطه ساختار–فعالیت (QSAR) مبتنی بر یادگیری ماشین ارائه شده است. نوآوری اصلی تحقیق، طراحی یک چارچوب ترکیبی است که به‌طور همزمان، انتخاب ویژگی‌های بهینه (کاهش فضای ویژگی از ۱۰۲۴ به ۶۸۷) و تنظیم پارامترهای کلیدی ماشین بردار پشتیبان (C=7.16,γ=0.014) را با استفاده از الگوریتم فراابتکاری کرم شب‌تاب (FA) انجام می‌دهد. این رویکرد ضمن برقراری تعادل میان جستجوی محلی و سراسری، پیچیدگی مدل را کاهش داده و دقت تعمیم را افزایش می‌دهد. نتایج آزمایش‌ها برتری مدل پیشنهادی (FA-SVM) را نسبت به سایر روش‌ها تأیید می‌کند. مدل FA-SVM به دقت ۹۸.۸۷٪، صحت ۹۹.۱۵٪، فراخوانی ۹۸.۶۳٪ و F1-score ۹۸.۸۹٪ دست یافته است که در تمامی معیارها از روش‌های پایه (SVM با دقت ۸۸.۱۳٪) و ترکیبی (مانند PSO-SVM و FA-RF) پیشی گرفته است. همچنین مقدار AUC برابر با ۹۹.۱۸٪ نشان‌دهنده عملکرد عالی مدل در تفکیک ترکیبات فعال از غیرفعال است. این چارچوب یک راهکار کارآمد برای کاهش هزینه‌ها و افزایش سرعت در کشف داروهای جدید فراهم می‌آورد.

کلمات کلیدی : یادگیری ماشین طبقه بندی انتخاب ویژگی ماشین بردار پشتیبان الگوریتم بهینه سازی کرم شب تاب فعال‌کننده گیرنده آندروژن