کاربرد الگوریتم‌های یادگیری عمیق در شناسایی الگوهای نهفته در داده‌های بیومارکرهای استرس اکسیداتیو و تحلیل اثرات تمرینات هوازی–قدرتی بر سلامت متابولیک افراد کم‌تحرک: یک مطالعه چندلایه مبتنی بر بیومارکری و کشف ویژگی

کاربرد الگوریتم‌های یادگیری عمیق در شناسایی الگوهای نهفته در داده‌های بیومارکرهای استرس اکسیداتیو و تحلیل اثرات تمرینات هوازی–قدرتی بر سلامت متابولیک افراد کم‌تحرک: یک مطالعه چندلایه مبتنی بر بیومارکری و کشف ویژگی

ثمین نکاحی1

1) کارشناسی ارشد فیزیولوژی ورزشی (سلامتی و تندرستی)، دانشگاه آزاد اسلامی واحد تفت، تفت، ایران.

کد IOI مقاله : ABEB-ABECBH
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    کم‌تحرکی بدنی یکی از عوامل اصلی افزایش استرس اکسیداتیو، التهاب مزمن خفیف و اختلال عملکرد متابولیک است که به‌طور قابل‌توجهی خطر ابتلا به بیماری‌های قلبی–متابولیک را افزایش می‌دهد. استرس اکسیداتیو ناشی از عدم تعادل بین تولید گونه‌های فعال اکسیژن (ROS) و ظرفیت دفاع آنتی‌اکسیدانی بدن است که منجر به آسیب سلولی و اختلال در تنظیم متابولیک می‌شود. درک چگونگی تأثیر مداخلات ورزشی ساختارمند بر نشانگرهای اکسیداتیو—و اینکه چگونه روش‌های پیشرفته محاسباتی می‌توانند الگوهای زیستی پنهان را آشکار کنند—به‌طور فزاینده‌ای اهمیت یافته است. هدف این مرور، بررسی اثرات تمرین ترکیبی هوازی–مقاومتی بر نشانگرهای استرس اکسیداتیو و سلامت متابولیک، و همچنین بررسی کاربرد رویکردهای یادگیری عمیق برای شناسایی الگوهای چندلایه نشانگرهای زیستی و کشف ویژگی‌ها بود. این مطالعه، سازوکارهای فیزیولوژیکی مرتبط‌کننده استرس اکسیداتیو با سلامت متابولیک را مرور کرده و شواهد مربوط به سازگاری‌های ناشی از ورزش در افراد کم‌تحرک را ارزیابی نمود. علاوه بر این، مدل‌های یادگیری عمیق—از جمله شبکه‌های عصبی کانولوشنی، معماری‌های ترنسفورمر و چارچوب‌های مبتنی بر خودرمزگذار (Autoencoder)—به‌صورت مفهومی برای تحلیل روابط پیچیده و غیرخطی میان نشانگرهای اکسیداتیو، شاخص‌های التهابی و متغیرهای متابولیک یکپارچه شدند. یک رویکرد تحلیلی چندلایه برای شناسایی ویژگی‌های کلیدی پیش‌بینی‌کننده و خوشه‌های نشانگرهای زیستی مرتبط با پاسخ‌پذیری به تمرین به‌کار گرفته شد. یافته‌ها نشان می‌دهد که تمرین ترکیبی هوازی–مقاومتی به‌طور معناداری نشانگرهای پراکسیداسیون لیپیدی را کاهش داده، فعالیت آنزیم‌های آنتی‌اکسیدانی را افزایش می‌دهد، تعادل اکسایش–کاهش (ردوکس) را بهبود می‌بخشد و پارامترهای متابولیک مانند حساسیت به انسولین و آمادگی قلبی–تنفسی را به‌طور مثبت تحت تأثیر قرار می‌دهد. تحلیل‌های مبتنی بر یادگیری عمیق خوشه‌های به‌هم‌پیوسته‌ای از نشانگرهای زیستی را آشکار ساخت که استرس اکسیداتیو، سیگنال‌دهی ایمنی و تنظیم متابولیک را به یکدیگر مرتبط می‌سازند. برخی نشانگرها، از جمله نسبت گلوتاتیون و فعالیت سوپراکسید دیسموتاز، به‌عنوان پیش‌بینی‌کننده‌های قوی پاسخ سازگاری به تمرین شناسایی شدند. افرادی که در خط پایه دچار عدم تعادل اکسیداتیو بیشتری بودند، پس از اجرای برنامه تمرینی ساختارمند، بهبودهای فیزیولوژیک بیشتری نشان دادند. در مجموع، تلفیق مداخلات تمرینی ترکیبی با مدل‌سازی پیشرفته محاسباتی چارچوبی قدرتمند برای درک تنظیم استرس اکسیداتیو و سازگاری متابولیک در جمعیت‌های کم‌تحرک فراهم می‌آورد. این رویکرد از توسعه راهبردهای ورزشی شخصی‌سازی‌شده و مبتنی بر نشانگرهای زیستی برای بهبود سلامت متابولیک حمایت می‌کند.

کلمات کلیدی : استرس اکسیداتیو تمرین ترکیبی یادگیری عمیق نشانگرهای زیستی سلامت متابولیک