پیش بینی مقاومت دارویی ویروس hiv با استفاده از ماشین های بردار پشتیبان
Authors
abstract
مقدمه: پژوهش حاضر با هدف بررسی عملکرد روش یادگیری ماشین های بردار پشتیبان برای پیش بینی مقاومت دارویی ویروس hiv) یا (human immunodeficiency virus استفاده از تحلیل دنباله ی آمینو اسیدها انجام گرفت. روش ها: در این مطالعه از ماشین های بردار پشتیبان استفاده شد؛ همچنین برای آموزش و آزمایش ماشین های بردار پشتیبان از نرم افزار libsvm) یا (library for support vector machinesاستفاده گردید. یافته ها: نتایج حاصل از مطالعه ی حاضر بر روی چهار روش بیولوژیکی که برای تفسیر نتایج تست های ژنوتیپی ارایه گردیده بود، بررسی شد. با مقایسه ی نتایج، بهترین روش بیولوژیکی برای هر دارو مشخص گردید. ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس hiv با دقت 77/98-27/86 عمل می کند. با توجه به پارامترهای اندازه گیری شده، اعمال ماشین های بردار پشتیبان بر روی نتایج روش (hivdb) hiv rt and protease sequence database برای داروهای amprenavir (apv)، (nf) nelfinavir،abacavir abc)) ،azt) zidovudine)، (d4t) stavudine، ddi) didanosine)، (tdf) tenofovir disoproxil fumarate، delavirdine (dlv) و بر روی نتایج روش anrs) agence national de recherches le sida)، برای داروهای (idv) indinavir، 3tc) lamivudine)، tdf) tenofovir disoproxil fumarate)، efavirenz ((efv وnvp) nevirapine ) بهترین نتایج را داشته است. برای داروهای lpv) lopinavir) و azt) zidovudine) ماشین های بردار پشتیبان برای نتایج روش rega institute rega)) عملکرد خوبی ارایه نموده است و نیز برای داروهای idv، lpv، rtv) ritonavir)، (sqv) saquinavir و ddi ماشین های بردار پشتیبان برای روش visible genetics ((vgi عملکرد خوبی داشته است. نتیجه گیری: ماشین های بردار پشتیبان، به عنوان یک جداساز بسیار قوی برای تعیین مقاومت دارویی ویروس hiv عمل می کند. می توان هنگام استفاده از هر دارو برای درمان، قبل از شروع درمان ابتدا مقاومت دارویی را با استفاده از روش های یادگیری ماشین، تعیین کرد.
similar resources
پیش بینی ژن های بیماری با استفاده از دسته بند تککلاسی ماشین بردار پشتیبان
Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...
full textتوانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی
درماندگی مالی پیش از ورشکستگی مالی رخ میدهد و پیش بینی موثر آن یک مسئلهی مهم و چالش برانگیز برای شرکتها میباشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد میپردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آنها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...
full textپیش بینی عمق آب شستگی اطراف پایه پل با استفاده از ماشین های بردار پشتیبان
چکیده- آب شستگی یکی از مهم ترین عوامل خرابی پل ها است. بنابر این، تخمین عمق آب شستگی پای پل ها اهمیت زیادی برخوردار دارد. تاکنون فرمول ها و روابط تجربی زیادی برای تخمین عمق چاله آب شستگی ارائه شده است؛ اما این روابط از دقت مناسبی برخوردار نیستند. علاوه بر این، پیچیدگی مدل سازی فرایند آب شستگی سبب شده است تا از روش های جایگزین روابط تجربی، مانند روش های داده کاوی برای تخمین عمق آبشستگی پای پل ها...
full textپیش بینی ژن های بیماری با استفاده از دسته بند تک کلاسی ماشین بردار پشتیبان
چکیده: در بحث شناسایی و دستهبندی ژنهای بیماری، متخصصان تنها به دستهبندی یک کلاس خاص، یعنی ژنهای بیماری علاقمند هستند و توجهی به کلاسهای دیگر، یعنی ژنهای غیربیماری ندارند. در مباحث یادگیری ماشین، این کاربرد تحت عنوان دستهبندی تک کلاسی مطرح می شود. روشهای موجود مبتنی بر یادگیری معمولا ژنهای شناخته شده بیماری را به عنوان مجموعه آموزشی مثبت، و ژنهای ناشناخته را به عنوان مجموعه آموزشی منفی...
full textپیش بینی فصلی خشکسالی هواشناسی با استفاده از ماشین های بردار پشتیبان
در تحقیقات مختلف، پارامترهای هواشناسی متفاوتی در پیش بینی دوره های کم بارش مورد توجه قرار گرفته اند. در این تحقیق نمایه بارش استاندارد شده (spi) برای 6 سناریوی فصل (پاییز، زمستان، بهار، پاییز+ زمستان، زمستان+ بهار و پاییز تا بهار) محاسبه شده و متغیرهای هواشناسی پیش بینی کننده دمای هوا (در سطح 300، 500، 700 و 850 میلی بار) و ارتفاع ژئوپتانسیل (در سطح 300، 500، 700 و 850 میلی بار) در محدوده طول و...
full textپیش بینی عمق آب شستگی اطراف پایه پل با استفاده از ماشین های بردار پشتیبان
چکیده- آب شستگی یکی از مهم ترین عوامل خرابی پل ها است. بنابر این، تخمین عمق آب شستگی پای پل ها اهمیت زیادی برخوردار دارد. تاکنون فرمول ها و روابط تجربی زیادی برای تخمین عمق چاله آب شستگی ارائه شده است؛ اما این روابط از دقت مناسبی برخوردار نیستند. علاوه بر این، پیچیدگی مدل سازی فرایند آب شستگی سبب شده است تا از روش های جایگزین روابط تجربی، مانند روش های داده کاوی برای تخمین عمق آبشستگی پای پل ها...
full textMy Resources
Save resource for easier access later
Journal title:
مجله دانشکده پزشکی اصفهانجلد ۲۹، شماره ۱۷۴، صفحات ۰-۰
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023