پيش بيني تاثير اجزا موجود در شيرخام بر بازيافت و استخراج ژنوم ويروس هاي روده اي با استفاده از شبكه هاي عصبي مصنوعي و استنتاج فازي-عصبي تطابقي(ANFIS)

Prediction of Milk Components Impact on Recovery and Extraction of Enteric Viruses Genome Using Artificial Neural Networks and Adaptive Nero Fuzzy Inference System (ANFIS)

در ميان مواد غذايي كه مي تواند به صورت بالقوه ناقل ويروس هاي بيماري زا باشد شيرخام قرار دارد. بر همين اساس نحوه قرارگيري ويروس هاي بيماري زا در شيرخام به شدت وابسته به حضور تركيبات شير بوده و دستيابي به هرگونه روش جهت استخراج و بازيافت ويروس ها و ژنوم آن ها از شيرخام وابسته به شناسايي رفتار دقيق اين تركيبات در برابر ويروس ها مي باشد. از روش هاي قابل استفاده در تخمين و پيش بيني بازيافت ويروس مي‌توان از شبكه عصبي مصنوعي يا استنتاج فازي-عصبي تطابقي (ANFIS) نام برد. در اين تحقيق مدل سازي هاي جعبه سياه به نام مدل سازي شبكه‌هاي عصبي مصنوعي به همراه استنتاج فازي-عصبي تطابقي (ANFIS) به منظور پيش بيني اثر اجزا موجود در شير خام بر بازيافت و استخراج ژنوم ويروسي به كار گرفته شده است. همچنين درصد داده هاي مورد استفاده براي تربيت، ارزيابي و آزمون شبكه عصبي، تعداد لايه هاي پنهان، تعداد نرون، نوع تابع انتقال و نوع قانون يادگيري و ديگر پارامترهاي موثر بر شبكه به عنوان متغير هاي شبكه در نظر گرفته شد. در نهايت بر اساس داده هاي حاصل از مدل سازي، شبكه اي با كمترين خطا و بالاترين ضريب همبستگي انتخاب و گزارش گرديد. براساس اين تحقيق در شبكه عصبي مصنوعي مدل تلقيح شده با تابع انتقال سيگموييد خطي و الگوريتم يادگيري لونبرگ با ضريب هبستگي 919/0r= ومدل (تلقيح نشده – تلقيح شده) با تابع انتقال سيگموييد خطي و الگوريتم يادگيري لونبرگ با ضريب همبستگي 956/0 r= انتخاب شد. همچنين در استنتاج فازي-عصبي تطابقي (ANFIS) تابع عضويت گاوسي و مدل فازي TSK براي هر دو مدل تلقيح شده و (تلقيح نشده-تلقيح شده) انتخاب وسپس در مدل تلقيح شده تابع انتقال تانژانت هايپربوليك اكسون خطي و قاعده يادگيري مومنتوم با 879/0 r= ودر مدل (تلقيح نشده- تلقيح شده) تابع انتقال اكسون خطي و الگوريتم يادگيري Step با 889/0 r= به عنوان بهترين مدل براي پيش بيني بازيافت و استخراج ژنوم ويروس معرفي شد.

Nowadays, it has demonstrated that viruses can be transmitted by water and foods. Therefore, it causes the research to develop for detecting different viruses in water and foods. Among foods, milk can transfer potentially pathogenic viruses. On the other hand, to achieve every method for recovery and extraction of viruses in raw milk it needs to know about impact of milk components on viruses. Artificial neural network (ANN) and Adaptive Nero Fuzzy Inference System (ANFIS) can help to estimate recovery efficiency of viruses in raw milk. The objective of this study was to evaluate the application of ANN and Adaptive Nero Fuzzy Inference System (ANFIS) to predict the impact of milk components on recovery and extraction of viral RNA in raw milk. Therefore, to run the model the amount of milk components (casein, whey protein, fat and lactose) and viral RNA extraction were as the input and the output of the network respectively. Also, to evaluate the efficiency of the network for the prediction, variables such as training, validating and test subsets as well as the hidden layers, transfer functions, learning rules and the hidden neurons were used. Based on the results, the best models in ANN were linear sigmoid transfer function, levenberg learning rule (r: 0.919) and linear sigmoid transfer function, levenberg learning rule (r: 0.956) for spiked model solution and (spiked – non spiked) model solution respectively and in Adaptive Nero Fuzzy Inference System (ANFIS) the best model were membership function Gaussian , Adaptive Nero Fuzzy Inference System (ANFIS) model TSK, linear tanh axon transfer functions and momentum learning rule (r: 0.879) and membership function Gaussian, Adaptive Nero Fuzzy Inference System (ANFIS) model TSK, linear axon transfer function, and step learning rule (r: 0.889) for spiked model solution and (spiked – non spiked) model solution respectively.