با استفاده از شبکه های عصبی و به نام خدا مدلسازی رفتار سلولی با استفاده از شبکه های عصبی و کاربرد آن در تومور استاد راهنما: دکتر توحید خواه ارائه دهنده: زهرا دهقان دولاب دی 1388

رئوس مطالب: چکیده لزوم بررسی رشد سلولهای سرطانی شبکه عصبی سیکل سلولی سلولهای سرطانی و عوامل مؤثر بر رشد تومور نتایج شبیه سازی نتیجه گیری

چکیده چارچوب مدلی برای شبیه سازی سیر تکاملی سلولی بر پایه شبکه های عصبی: بر اساس تأثیر متقابل سلولهای دیگر ومحیط اطراف سلول امکان تکامل سلولی را فراهم می کند متغیر های محیطی، ورودی شبکه و خروجی شبکه متناسب با فنوتیپ سلول می باشد

لزوم بررسی رشد سلولهای سرطانی سرطان یکی از مهم ترین عوامل بیماری و مرگ ومیر در جهان به منظور پیدا کردن روشهای کنترل و درمان

سیکل سلولی RNA, Protein Mitosis, Cytokinesis M G2 G0 1 h 3-4 h G1 DNA, RNA, Protein

Signalling pathway ژن، ماشین تنظیم کننده رفتار سلولی کنترل رفتار سلولهای بدن از طریق هزاران پروتئین که با هم در ارتباط اند و اطلاعات را از سطح غشاء سلول به ژنوم آن منتقل می کنند

ارتباط سلول با شبکه های عصبی مصنوعی یک سلول به عنوان یک واحد محاسباتی سلول با دریافت یک ورودی خاص خروجی خاصی را نتیجه خواهد داد ژنوتیپ سلول پاسخ به تحریک خاص را معین میکند (این پاسخ به عنوان فنوتیپ سلول تلقی می شود) پاسخ سلول شرایط محیطی آنرا تحت تأثیر قرار داده و به طور مؤثر فیدبکی را ایجاد میکند

شبکه های عصبی: به طور معمول در کارهای بازشناسی، کلاس بندی وپیشبینی استفاده می شود(مثل کاربرد در تشخیص اثر انگشت) هدف: قابلیت پیش بینی خروجی متناظر با یک نمونه ناشناخته که در مجموعه دادگان آموزش نباشد استفاده از شبکه های عصبی به عنوان کنترلرهای ربات که ورودی شبکه سنسورهای ربات (سنسورهای اولیه) و خروجی شبکه موتورها را کنترل می کند کاربرد اخیر شبکه عصبی: مدلسازی معبرهای علامت دهی سلول (برای اولین بار توسط Bray در سال 1990 پیشنهاد شد)

مدل:

ویژگی های مدل: بر نظم ژنها تمرکز ندارد بلکه تأثیر محیط بر رفتار سلول را بررسی می کند گره های شبکه مقادیر عددی می گیرند شبکه سه لایه دارد: لایه ورودی ( اطلاعات را از محیط دریافت می کند) لایه پنهان لایه خروجی که عملکرد سلول را تعیین میکند

معادل سازی پارامترهای شبکه و مشخصات سلولی لایه ورودی رامیتوان به عنوان گیرنده های سطح سلول که با مولکولهای خارج سلولی در ارتباط هستند تصور نمود ماتریس وزن بین ورودی و لایه پنهان معادل میزان شدت علامت دهی گیرنده ها میباشد لایه پنهان به عنوان ژنهای تنظیم کننده رفتار سلولی که رفتار سلول را از طریق ماتریس وزنهای مابین لایه پنهان و نورون های خروجی کنترل می کند

معادل سازی پارامترهای شبکه و مشخصات سلولی-ادامه تغییر یک اتصال مابین ورودی ولایه پنهان معادل تغییر در سطح بیان یک نوع خاص گیرنده تغییر وزن یک اتصال بین لایه پنهان وخروجی معادل تغییر در سطح بیان یک ژن تنظیم کننده

جزئیات ساختار شبکه وچگونگی پردازش اطلاعات: اگر ξ به عنوان بردار ورودی حالت گره jام در لایه پنهان به صورت زیر می باشد: کهg تابع غیر خطی سیگموئید لایه پنهان و همچنین لایه خروجی می باشد

جزئیات شبکه-ادامه: و حالت گره iام لایه خروجی به صورت زیر بیان می شود: در نتیجه خروجی شبکه (فنوتیپ سلول) تنها به ماتریس های وزن w و W، بردارهای آستانه θj وΦi و بردار ورودی ξ وابسته می باشد

تقسیم وجهش سلولی: تغییر پارامترها بیان کننده جهش ایجاد شده در ژنوم سلول دختر می باشد تعداد جهش ایجاد شده در اتصالات سلول دختر از یک توزیع پواسون با پارامتر p مشخص می شود(p: متوسط تعداد جهش های یک تقسیم سلولی ) جهش با افزودن یک توزیع نرمال به ماتریس سلول مدل می شود

آموزش شبکه: آموزش مناسب دادگان (شرایط محیطی/فنوتیپ) با استفاده از یک الگوریتم استاندارد مثل Back-propagation جمع آوری این نوع دادگان به آزمایشاتی نیاز دارد که صرف زمان وهزینه زیادی را لازم دارد راه دیگر آموزش از طریق کیفی (با استفاده از دانش کیفی رفتار سلول تحت شرایط معین)

سلولهای سرطانی سرطان یک بیماری ژنتیکی است سلول سرطانی، جهش یافته یک سلول عادی می باشد دارد جهش یا تغییر ایجاد شده در DNA سلول اتفاق می افتد در نتیجه سرطان یعنی رشد ، تکثیر و گاهی انتشار غیر طبیعی سلولهای بدن (متاستاز)

مدل پایه رشد تومور: یک مدل هیبرید و اتوماتیک از سلول سلولها به عنوان عوامل مجزا که رفتار هر یک توسط یک شبکه تعیین می شود شبکه پاسخ از سه لایه: عوامل محیطی عوامل ژنتیکی فنوتیپ سلول

مدل یک سلول:

تشریح مدل: ورودی ها: تعداد همسایه های سلول غلظت اکسیژن بافت اگر n>3 (تعداد همسایه ها) تقسیم سلولی انجام میشود و در غیر این صورت تقسیم انجام نمی شود 20

نتایج اولیه مدل: غلظت اکسیژن هم بر رشد تومور و هم تغییر دینامیکهای تومور اثر می گذارد فشار بر انتخاب یک فنوتیپ خاص ایجاد می کند بر اساس نتایج مشاهده شده در محیط آزمایشگاهی مشاهده می شود مدل دینامیک های سیستم را به درستی ارائه می دهد

شبیه سازی رشد تومور: یک محیط دو بعدی به ابعاد N*Nبرای رشد تومور در نظر میگیریم هر نقطه این شبکه N*N می تواند توسط یک سلول تومور اشغال شود غلظت های شیمیایی در ابتدای شبیه سازی به صورت شرایط مرزی و اولیه داده می شوند سلول ها در هر step ، update می شوند پاسخ تولید شده وسلول بر اساس آن اکسیژن مصرف می کند

ادامه: هر شبیه سازی با 4 سلول در مرکز این شبکه شروع شده شبیه سازی ها در دو شرایط : وفور اکسیژن کمبود اکسیژن (C0) N=300 فرض شده است

نتایج: کمیت های رشد تومور با نگاهی به توزیع فضایی سلول ها وغلظت اکسیژن مشخص میگردد

شدت تغییر ژنتیکی: شدت تغییر ژنتیکی: تعداد جهش هایی که در مقایسه با نوتیپ اولیه رخ داده است

Shannon index شاخص شانون به نحوی تنوع ژنوتیپ را در تومور بیان می کند Pi: احتمال وجود ژنوتیپ نوع i در جمعیت سلولی Ng: تعداد ژنوتیپ های مستقل موجود در تومور

بیان کمی فنوتیپ سلول: S: بیان کمی فنوتیپ

نتیجه گیری: محدودیتی در تعریف ورودی(تحریک های خارجی) و خروجی(رفتارهای فنوتیپیک) وجود ندارد امتیاز این روش آن است که تکامل وتغییر در یک مد بی انتها صورت می گیرد ممکن است اتصالاتی که در شبکه اولیه وجود نداشته در تکامل پدیدار شود، پس مدل می تواند برای پیشنهاد فرضیات جدید حول مسیرهای کنترلی استفاده شود

Thank you for your attention Have a great day ?