هوش مصنوعی در پژوهش استرس اکسیداتیو: انتخاب الگوریتم، شناسایی نشانگرهای زیستی و کشف دارو: مروری

متقی دستجردی, نگار; شرفی بدر, پریا; صفائی نژاد, فهیمه

دوره 36، شماره 263 - ( آبان 1405 ) جلد 36 شماره 263 صفحات 284-269 | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Mottaghi-Dastjerdi N, Sharafi-Badr P, Safaeinejad F. Artificial Intelligence in Oxidative Stress Research: Algorithm Selection, Biomarker Discovery, and Drug Development: Narrative Review. , J Mazandaran Univ Med Sci. 2026; 36 (263) :269-284
URL: http://jmums.mazums.ac.ir/article-1-23167-fa.html

متقی دستجردی نگار، شرفی بدر پریا، صفائی نژاد فهیمه. هوش مصنوعی در پژوهش استرس اکسیداتیو: انتخاب الگوریتم، شناسایی نشانگرهای زیستی و کشف دارو: مروری. , مجله دانشگاه علوم پزشکی مازندران. 1405; 36 (263) :269-284

URL: http://jmums.mazums.ac.ir/article-1-23167-fa.html

هوش مصنوعی در پژوهش استرس اکسیداتیو: انتخاب الگوریتم، شناسایی نشانگرهای زیستی و کشف دارو: مروری

نگار متقی دستجردی

، پریا شرفی بدر

، فهیمه صفائی نژاد^*

چکیده: (8 مشاهده)

سابقه و هدف: استرس اکسیداتیو حاصل اختلال در تنظیم ردوکس سلولی و برهم‌کنش پیچیده گونه‌های واکنش‌پذیر اکسیژن و نیتروژن با سامانه‌های دفاع آنتی‌اکسیدانی است. تغییرات این فرایند در بیماری‌های التهابی، متابولیک، قلبی‌عروقی، عصبی و سرطان اهمیت دارند، اما تفسیر آن‌ها به دلیل ناهمگنی نمونه‌ها، وابستگی به زمان و پیچیدگی داده‌های مولکولی دشوار است. هدف این مرور، بررسی انتقادی ظرفیت‌ها و محدودیت‌های هوش مصنوعی در تحلیل استرس اکسیداتیو، شناسایی نشانگرهای زیستی و اولویت‌بندی ترکیبات دارویی است.
مواد و روش ‌ها: این مطالعه به‌صورت مرور روایتی و بر پایه بررسی موضوعی منابع مرتبط با زیست‌شناسی ردوکس، یادگیری ماشین، داده‌های چنداُمیکس، تصویربرداری سلولی و فارماکولوژی محاسباتی تدوین شد. سازوکار الگوریتم‌ها، تناسب آن‌ها با پرسش زیستی و نوع داده، نمونه‌های کاربردی و محدودیت‌های روش‌شناختی مقایسه شدند. در ارزیابی شواهد، به کیفیت داده، تعداد نمونه، انتخاب ویژگی، نشت اطلاعات، روش‌های اعتبارسنجی و تمایز میان ارتباط آماری و اثبات سازوکار زیستی توجه شد.
یافته‌ها: الگوریتم جنگل تصادفی (Random Forest) و روش‌های تقویتی (Boosting) برای تحلیل روابط غیرخطی در داده‌های جدولی مناسب‌اند. ماشین بردار پشتیبان (SVM) در طبقه‌بندی داده‌های پُربعد و روش‌های LASSO و SVM-RFE در انتخاب ویژگی کاربرد دارند. شبکه‌های عصبی عمیق، به‌ویژه مدل‌های کانولوشنی، امکان تحلیل تصاویر سلولی و الگوهای میتوکندریایی را فراهم می‌کنند. ادغام داده‌های چنداُمیکس می‌تواند اولویت‌بندی نشانگرهای مرتبط با دفاع آنتی‌اکسیدانی را بهبود دهد.
استنتاج: هوش مصنوعی می‌تواند با تحلیل هم‌زمان داده‌های مولکولی، تصویری و بالینی به تولید فرضیه، انتخاب نشانگر و طراحی پژوهش‌های هدفمند درباره استرس اکسیداتیو کمک کند. انتخاب الگوریتم باید متناسب با ماهیت داده و هدف پژوهش باشد و نتایج با آزمون‌های زیستی مستقل تأیید شوند. استانداردسازی اندازه‌گیری‌ها، گزارش شفاف روش‌ها، اعتبارسنجی خارجی و بررسی سودمندی بالینی برای انتقال یافته‌های محاسباتی به کاربردهای تشخیصی و درمانی ضروری است. این یافته‌ها باید در مطالعات مستقل و با نمونه‌های کافی ارزیابی شوند. کیفیت داده‌ها و پایداری نتایج در جمعیت‌های متفاوت نیز باید بررسی شوند.

واژه‌های کلیدی: استرس اکسیداتیو، هوش مصنوعی، یادگیری ماشین، بیومارکر، گونه‌های فعال اکسیژن، پزشکی دقیق، کشف دارو

متن کامل [PDF 785 kb] (7 دریافت)

نوع مطالعه: مروری | موضوع مقاله: هوش مصنوعی

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی مازندران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

Designed & Developed by : Yektaweb