از همبستگی آماری تا هوش مصنوعی تبیین‌پذیر: بازخوانی بیومارکرهای میکروبیوم با SHAP در بیماری‌های مزمن

از همبستگی آماری تا هوش مصنوعی تبیین‌پذیر: بازخوانی بیومارکرهای میکروبیوم با SHAP در بیماری‌های مزمن

آفاق باپیرزاده1 سمانه رسنمی صفرلو2 یاسمن رستمی صفرلو3 شادی شهسواری4 محدثه سبزیکار قانع5 هستی مصطفوی قمصری6 زرین مینوچهر7

1) دانشجوی دکتری زنتیک مولکولی ،دانشگاه آزاد اسلامی واحد تهران شمال،تهران ،ایران
2) دانشجوی کارشناسی میکروبیولوزی ،دانشگاه آزاد اسلامی واحد شهر قدس،تهران ،ایران
3) دانشجوی کارشناسی میکروبیولوزی ،دانشگاه آزاد اسلامی واحد شهر قدس،تهران ،ایران
4) دانشجوی کارشناسی میکروبیولوزی ،دانشگاه آزاد اسلامی واحد شهر قدس ،تهران ،ایران
5) دانشجوی کارشناسی میکروبیولوزی ،دانشگاه آزاد اسلامی واحد شهر قدس،تهران ،ایران
6) دانشجوی کارشناسی میکروبیولوزی ،دانشگاه آزاد اسلامی واحد شهر قدس،تهران ،ایران
7) دانشیار بیوفیزیک ،پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری،تهران ،ایران

کد IOI مقاله : AAHD-ACZCAC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    با استفاده از روش SHAP (SHapley Additive exPlanations) به‌عنوان یکی از مهم‌ترین رویکردهای تبیین‌پذیری در هوش مصنوعی، امکان شناسایی و تفسیر سهم متغیرها در تصمیم‌گیری مدل‌های یادگیری ماشین فراهم می‌شود و می‌توان محدودیت مدل‌های جعبه‌سیاه را در مطالعات زیستی کاهش داد. در پژوهش‌های مرتبط با میکروبیوم، استفاده از این رویکرد به درک بهتر نقش ویژگی‌های میکروبی در بروز، پیشرفت و پیش‌بینی بیماری‌ها کمک می‌کند. اختلال در ترکیب و عملکرد میکروبیوم انسانی با پاتوژنز بیماری‌های مزمن متعددی از جمله دیابت نوع ۲ارتباط دارد. در دیابت نوع ۲، تغییرات میکروبیوم با اختلالات متابولیکی، مقاومت به انسولین و التهاب مزمن همراه است،بعضی افراد مبتلا نه تنها دیابت بلکه بیماریهای زمینه ای دیگری هم دارند و یا حسایت های دارویی. با وجود اهمیت این ارتباطات، داده‌های حاصل از فناوری‌های توالی‌یابی میکروبیوم به دلیل حجم زیاد، ناهمگنی، ابعاد بالا و ماهیت پیچیده روابط میان ویژگی‌های میکروبی، تحلیل و تفسیر دشواری دارند و روش‌های آماری متداول در شناسایی الگوهای غیرخطی، تعاملات چندعاملی و امضاهای میکروبیومی اختصاصی این بیماری‌ها با محدودیت مواجه‌انداغلب این روشها به صورت خطی به بررسی نقش عوامل بیماری زایی میپردازند که خلاهای بسیار زیادی دارد. در این مطالعه، با بهره‌گیری از مدل‌سازی مبتنی بر هوش مصنوعی و استفاده از داده‌های موجود حاصل از مطالعات میکروبیومی مرتبط با دیابت نوع ۲،تلاش می‌شود امضای میکروبیومی اختصاصی این بیماری‌ توضیح مقایسه ای ارايه شود که اهمیت و جایگاه به کارگیری تکنیک shap در آنالیز داده هایی که با روشهای کلاسیک به دست آمده اند را مشخص کند.

کلمات کلیدی : میکروبیوم انسانی هوش مصنوعی یادگیری ماشین shap امضای میکروبیومی بیماری‌های مزمن