مدلسازی تئوریک اثر میدان الکترومغناطیسی بر فرایند ترشح ملاتونین در موش با استفاده از مدلهای پیشگوئی آماری و هوش مصنوعی

مطالعات متفاوتی در مورد اثرات زیستی تابش میدانهای مغناطیسی گزارش شده است. با این وجود، تاکنون هیچ توافق یا راهنمایی برای طراحی آزمایش ها در رابطه با شرایط تابش وجود ندارد. در این مطالعه، رگرسیون لوجستیک، تحلیل ممیزی خطی، ماشین بردار پشتیبان و شبکه عصبی مصنوعی به منظور آنالیز و پیشگویی الگوهای ترشح ملاتونین در موش صحرایی تحت تاثیر elf-mf استفاده شد. سپس، کارایی مدل ها با استفاده از آزمون های resubstitution و jackknife روی بانک اطلاعاتی شامل سی و سه آزمایش مقایسه شد. متغیرهای پیشگو پارامترهای موثرتر شامل فرکانس، قطبیت، زمان تابش و قدرت میدان الکترومغناطیسی بودند. همچنین پنج شاخص کارایی شامل دقت، حساسیت، ویژگی و ضریب همبستگی متیو (mcc) و درصد نرمالیزه شده ی بهتر از حالت تصادفی (s) به منظور ارزیابی کارایی مدل ها استفاده شد. lr و lda به عنوان مدل های الگوریتمی کارایی پیشگویی ضعیفی نشان دادند. با این حال، lr طول زمان تاثیر میدان الکترومغناطیس را به عنوان پارامتر معنی دار آماری شناسایی کرد. همچنین قطبیت افقی میدان الکترومغناطیس با بالاترین ضریب لوجیت با علامت منفی مهمترین شاخص برای طراحی آزمایش ها در رابطه با شرایط تابش شناخته شد. این نتیجه بدین معنی است که هر آزمایشی با قطبیت افقی میدان الکترومغناطیسی احتمال بالایی برای منجر شدن به الگوی "عدم تغییر در سطح ملاتونین" دارد. از طرف دیگر، شبکه عصبی مصنوعی به عنوان یک مدل غیر الگوریتمی قوی، که قبلاً در پیشگویی الگوهای ترشح ملاتونین در موش صحرایی تحت تاثیر elf-mf معرفی نشده، مقادیر بالای شاخص کارایی نشان داد. به ویژه مقدار 94/. متعلق به شاخص mcc طی آزمون jackknife اعتمادپذیری بالاتر شبکه عصبی مصنوعی را نشان می دهد. نتایج بدست آمده نشان داد که استفاده از چنین مدل های پیشگویی امیدوارکننده اند و ممکن است نقش مفیدی در تعریف راهنما برای طراحی آزمایش ها در رابطه با شرایط تابش بازی کنند. در مجموع آنالیز داده های بیوالکترومگنتیک می تواند منجر به یافتن ارتباط بین میدان های الکترومغناطیسی و فرایند های زیستی مختلف شود.