ترجمه مقاله انگلیسی تجزیه و تحلیل ریز RNA ها توسط شبکه های عصبی برای تشخیص زود هنگام سرطان
خلاصه و فهرست کلی: 
چکیده
بیانیه مساله: سرطان یک بیماری ژنتیکی پیچیده است. مدارک و شواهد در حال ظهور است که microRNA ها خاص ممکن است در بازی پاتوژنز سرطان انسان ، آنها نقش نظارتی مهم در توسعه، تکثیر سلولی ، حیات سلول و آپوپتوز را نشان دهند اثر آن در درمان و درمان سرطان طور مستقیم وابسته به توانایی تشخیص سرطان در مراحل اولیه خود است..
Abstract
Problem Statement: Cancer is a complex genetic disease. Evidence is emerging that particular microRNAs may play a role in human cancer pathogenesis; they exhibit important regulatory roles in development, cell proliferation, cell survival and apoptosis The effectiveness in treatment and curing cancer is directly dependent on the ability to detect cancers at their earlier stages. This study developed a neural network with back-propagation learning algorithm for the prediction of microRNAs responsiblefrom cancer pathogenesis at earlier stages. Purpose of the Study:The aim of this research was to develop a nonlinear empirical model to predict a score value for specific microRNAs
معرفی
تشخیص زود هنگام ، تشخیص، و درمان سرطان قبل از chemo-and/or رادیویی درمان و عمل جراحی لازم است.گردشی ریز RNA ها به عنوان نشانگر برای تشخیص سرطان و نظارت می تواند تشخیص زود هنگام بیماری میزان مرگ و میر از سرطان بهبود و کاهش هزینه های درمان و نیز. ریز RNA کوچک، بدون برنامه نویسی، حدود 18-24NTS می باشد. در مجموع 10883 ریز RNA شناسایی شده اند و 721 ریز RNA ها متعلق به انسانهای هوشمند ..
Introduction
The early detection, diagnosis, and treatment of cancer are necessary before chemo-and/or radio-therapies and surgical operations. Circulating microRNAs as markers for cancer detection and monitoring could improve early diagnosis and reduce treatment costs and also mortality rate of the cancer MicroRNAs are small, non-coding, approximately 18-24 nts.
مواد و روش ها
در این کار، پس انتشار چند لایه پرسپترون (BPMLP) برای پیش بینی ارزش نمره استفاده شده است. معماریچند ورودی تک خروجی (MISO) سیستم بیشتر مورد استفاده است. این از یک لایه ورودی با ورودی های M، یک لایه خروجی با یک خروجی و یک لایه مخفی با تعداد متغیری ..
Methods
In this work, the Back-Propagation Multi Layer perceptron (BPMLP) for the prediction of score value is used. The architecture is the most commonly used multi-input single-output (MISO) system [9]. It consists of one input layer with M inputs, one output layer with one output and one hidden layers with varying number of nodes. The BPMLP neural network is a type of supervised
نتایج و بحث
BPMLP ، استفاده می شود برای ایجاد ارتباط بین ریز RNA ها ، P- مقدار و ارزش نمره . نرخ دقت 80٪ و 90 ٪ تنظیم شده بود . بهترین عملکرد با 20 نرون در لایه پنهان و پارامتر یادگیری به عنوان 0.00099 به دست آمد..
Results and Discussions
A BPMLP, is used to establish the relationship between the microRNAs, p-value and score value. Accuracy rate was adjusted to 80 % and 90 %. The best performance was obtained with 20 neurons in the hidden layer and learning parameter as 0.00099
