منصة الرسائل والاطاريح: تحليل الاستجابة المناعية والأجسام المضادة الوراثية باستخدام نموذج التعلم الآلي للقاحات مختلفة

الخلاصة

في مجال علم المناعة والوقاية من الأمراض، تعتبر اللقاحات ضرورية لنقل المناعة ضد الكائنات الدقيقة والسموم الضارة. عادةً ما تتألف هذه العوامل المعززة للمناعة من بروتينات أو ببتيدات تعرف بالمستضدات، والتي تحفز إنتاج الأجسام المضادة للدفاع ضد الغزاة المحتملين. فهم مكونات اللقاحات أمر بالغ الأهمية لتقدم هذا المجال ولضمان الصحة العامة. هذا العمل يتناول مشكلة تحديد الجينات المعلومة المتعلقة باستجابة اللقاح. من خلال أساليب مختارة لاختيار السمات بشكل متوازي وتتابعي وهجين، ثم يتم مقارنة فعاليتها في اختيار الجينات ذات الصلة. تسلط مرحلة اختيار السمات المتوازية والهجينة الضوء على 16 جينًا، بينما تميز اختيار السمات التتابعي 11 جينًا. بالإضافة إلى ذلك، يتم تقييم أداء نماذج تعلم الآلة المختلفة باستخدام السمات المختارة. أسفرت مرحلة اختيار السمات المتوازية عن نتائج مثيرة، حيث حققت نمذجة التحليل اللوجستي درجة دقة مثالية بنسبة 1.00 عند استخدام اختبار الانحدار التحليلي للتباين (60%) وكلا اختيارات CHI2 عند 20% و 60%. وبالمثل، في مرحلة اختيار السمات التتابعي، حققت نمذجة التحليل اللوجستي أيضًا درجة دقة مثالية بنسبة 1.00 لـ 6 مسارات عند 60%. وعلاوة على ذلك، أسفرت مرحلة اختيار السمات الهجينة عن درجة دقة بنسبة 1.00 باستخدام نمذجة التحليل اللوجستي ونمذجة ADA مع اختبار MI_RF (20%) وأيضًا مع اختبار التحليل اللوجستي ونمذجة RF مع اختبار ANOVA_RF عند (60%). وأخيرًا، اختبار CHI2_RF عند (60%) مع نمذجة التحليل اللوجستي أيضًا يحقق درجة دقة بنسبة 1.00. بالإضافة إلى ذلك، لتحسين الكفاءة والدقة، تم دمج نموذج شبكة العصبي الاصطناعي المتسلسل (CNN) مع تقنيات اختيار السمات المتوازية مثل MI (20%) و MI (60%) و ANOVA (20%). هذا الدمج يكشف عن تحسين ملحوظ في الدقة. أظهر أداء نموذج CNN على السمات المحصل عليها من مختلف أساليب اختيار السمات، بما في ذلك أربع مسارات بنسبة 20%، وأكد أن اختيار السمات التتابعي يعزز دقة النظام وقدراته التنبؤية. وأساليب اختيار السمات الهجينة، مثل MI_RF (60%) و ANOVA_RF (20%) و CHI2_RF (20%)، تعزز دقة النظام إلى 1.00. للتحقق من موثوقية النموذج وقدرته على التعميم، تم استخدام مجموعة من البيانات المستقلة لم تكن قد تم رؤيتها مسبقًا من قبل النظام للغرض من الاختبار. تضمنت هذه الطريقة اختيار عشوائي لنسبة 10% من مجموعة البيانات الأصلية، والتي كانت جديدة تمامًا بالنسبة للنظام. تم الاحتفاظ بهذه المجموعة الجديدة بشكل منفصل عن بيانات التدريب، والتي بلغت 90% من مجموعة البيانات الأصلية. تم تقسيم بيانات التدريب إلى جزء يبلغ 70% لتدريب النموذج وجزء يبلغ 30% لاختبار النموذج. تم بعد ذلك تقييم أداء النموذج على البيانات الجديدة التي بلغت نسبتها 10% وأظهرت النتائج دقة ونجاح النموذج.