استخراج ويژگي چندمتغيره براي پيش‌بيني ماتريس بيان ژني آينده

Multivariate Feature Extraction for Prediction of Future Gene Expression Profile

مقدمه: ويژگي‌هاي يك سلول را مي‌توان با بررسي ماتريس بيان ژني مربوط به آن سلول تعيين كرد. اگر بتوان ماتريس‌هاي بيان ژني مربوط به سلول‌هاي فرزند آينده را پيش‌بيني كرد، در حقيقت ويژگي‌هاي سلول‌هاي آينده پيش‌بيني شده‌اند. هدف مطالعه حاضر، طراحي يك شبكه عصبي مصنوعي براي پيش‌بيني ماتريس‌هاي بيان ژني براي سلول‌هاي فرزندي است كه از تقسيم/تمايز سلول‌هاي بنيادي هماتوپويتيك در آينده به دست خواهند آمد. روش: شبكه عصبي طراحي‌‌شده ماتريس بيان ژني يك سلول بنيادي هماتوپويتيك والد را به عنوان ورودي مي‌گيرد و ماتريس‌هاي بيان ژني مربوط به سلول‌هاي فرزند آينده آن را توليد مي‌كند. يك كدگذار زماني براي كدگذاري سري زماني اصلي و يك كدگذار مكاني براي كدگذاري سري‌هاي زماني ثانويه پيشنهاد مي‌شود. نتايج: براي آن كه پيش‌بيني قابل پذيرشي انجام شود، بايد ماتريس­ هاي بيان ژني مربوط به دست­ كم چهار مرحله اوليه از تقسيم/تمايز مشخص باشند. شبكه عصبي طراحي ­شده از نظر خطاي پيش‌بيني و تعداد مراحل تقسيم/تمايز كه به درستي پيش‌بيني شده باشند، نسبت به شبكه­ هاي عصبي موجود بهتر عمل مي‌كند. طرح پيشنهادي اين مطالعه مي­تواند پيش‌بيني را براي صدها مرحله از تقسيم/تمايز سلولي انجام دهد. خطاي طرح پيشنهادي براي پيش ­بيني 1، 4، 16، 64 و 128 مرحله از تقسيم/تمايز به ترتيب برابر با 3/04، 3/76، 5/5، 7/83، و 11/06 درصد بوده است. نتيجه‌گيري: با داشتن ماتريس بيان ژني مربوط به يك سلول هما‌توپويتيك والد مي‌توان ماتريس‌هاي بيان ژني مربوط به فرزندان آن را تا صدها مرحله از تقسيم/تمايز پيش‌بيني كرده و در صورت لزوم، به موقع چاره‌اي براي روبه‌رو شدن با مشكلات ژنتيكي آينده انديشيد.

Introduction: The features of a cell can be extracted from its gene expression profile. If the gene expression profiles of future descendant cells are predicted, the features of the future cells are also predicted. The objective of this study was to design an artificial neural network to predict gene expression profiles of descendant cells that will be generated by division/differentiation of hematopoietic stem cells. Method: The developed neural network takes the parent hematopoietic stem cell’s gene expression profile as input and generates the gene expression profiles of its future descendant cells. A temporal attention was proposed to encode the main time series and a spatial attention was also provided to encode the secondary time series. Results: To make an acceptable prediction, the gene expression profiles of at least four initial division/differentiation steps must be known. The designed neural network surpasses the existing neural networks in terms of prediction accuracy and number of correctly predicted division/differentiation steps. The proposed scheme can predict hundreds of division/differentiation steps. The proposed scheme’ error in prediction of 1, 4, 16, 64, and 128 division/differentiation steps was 3.04, 3.76, 5.5, 7.83, and 11.06 percent, respectively. Conclusion: Based on the gene expression profile of a parent hematopoietic stem cell, the gene expression profiles of its descendants can be predicted for hundreds of division/differentiation steps and if necessary, solutions must be sought to encounter future genetic disorders.