AKT蛋白细胞命运预测的机器学习技术

医学信息学解锁23（2021）100511用于AKT蛋白的细胞Ayodeji Olalekan Salaua，*，Shruti Jainba尼日利亚埃基蒂Afe Babalola大学电气/电子和计算机工程系b印度喜马偕尔邦索兰杰皮信息技术大学电子与通信工程系A R T I C L EI N FO保留字：AKT蛋白分布ID图神经网络MLPRBFA B S T R A C T人工智能技术可以解开临床数据中的临床一致信息，从而有助于决策。在最先进技术的帮助下，诊断系统通过使用不同的机器学习（ML）技术来识别各种疾病。本文将径向基函数（RBF）和多层感知器（MLP）等ML技术相结合，用于预测AKT蛋白的细胞决策（细胞存活/死亡）。AKT信号网络对细胞代谢具有各种下游影响，直接通过调节营养转运蛋白、代谢酶或间接通过控制转录因子，所述转录因子调节决定细胞存活、细胞生长和细胞死亡的代谢途径的表达。本工作进行了实验分析，通过在13个不同切片中使用10种不同组合的三种蛋白质的合并物持续0-24小时来确定细胞存活/死亡决定的信号网络。使用P-P图、Q-Q图和直方图检验进行数据可视化，以确定数据拟合的分布。此外，拟合优度检验是也使用分布函数，如威布尔，EX ponential和正态分布，以确定数据是否符合某个人口的分布。通过计算MTTF值对结果进行了验证。分析的结果表明，威布尔分布产生显着的结果。此外，发现使用多层感知器MLP 10-8-1获得的结果比其他技术更好，当使用指数激活函数时，准确度为99.33%。实验研究的结果表明，有可能根据AKT蛋白数据创建自洽的细胞信号转导纲要，这些数据已通过计算模拟为细胞存活/死亡调节提供有价值的见解。1. 介绍计算生物学是一门涉及计算机科学在生命过程和结构建模中的应用的科学[1，2]。它需要使用计算方法来模拟生物系统。计算生物学用于生物系统的建模，这有助于人类基因组的测序，以及人类大脑的建模。近年来，计算智能技术被用于计算建模[3]。计算建模是用来模拟现实世界的问题，以期制定一个解决方案。这些模型包含不同的变量，划分系统研究。这些模型的模拟可以通过单独或合并调节每个变量，并观察这些变化如何影响他们的结局[4]。存在不同类型的计算建模技术，它们在几个维度上彼此不同。非确定性，确定性，静态，动态，离散，连续，随机，基于个体，流行逻辑和自动机是各种计算模型中的一些[5]。 计算建模是大数据分析的重要方面之一，现在在医疗保健中有许多应用，特别是在疾病的早期诊断方面[6]。通过对各种测量和试验结果进行假设来准确预测和诊断多模块和复杂系统是实践中普遍存在的问题[7]。许多例子包括语音识别、医疗诊断和纠错编码。实现高诊断准确性需要执行大量的测试，这可能是相当昂贵的。是* 通讯作者。电子邮件地址：ayodejisalau98@gmail.com（A.O. Salau），shruti. juit.ac.in（S.Jain）。https://doi.org/10.1016/j.imu.2021.100511接收日期：2020年11月20日;接收日期：2020年12月26日;接受日期：2020年12月30日2021年1月7日在线提供2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuA.O. Salau和S. Jain医学信息学解锁23（2021）1005112因此，通过在任何时间点仅使用与当前系统状态和观察最相关的测量来提高诊断的可扩展性和成本效率是至关重要的自适应学习起源于人工智能，并在20世纪70年代开始流行。人工智能和机器学习技术有可能通过从每天提供医疗保健过程中产生的大量数据中获得新的重要见解来改变医疗保健与医疗保健相关的数据因其复杂和庞大而声名狼借。计算智能是人工智能（AI）的一个分支，旨在通过提高数据分析技术的两个主要组成部分对AI方法进行分类。第一个组成部分包括机器学习（ML）技术，用于分析组织数据，如成像和遗传数据。在这方面，ML用于收集患者属性以用于治疗应用或推断疾病结果的概率第二部分包括自然语言处理（NLP）方法，这些方法从非结构化数据（如医学期刊/临床笔记）中获取信息。NLP过程的目标是可以使用机器可读的ML技术进行研究的结构化数据学者和医疗从业者认为，在医疗保健的许多实际领域应用人工智能将有助于医生做出更好的临床决策，甚至取代人类的判断在2015年，用于肛门的资金医疗保健数据和疾病预测的分析估计为14.8亿美元，预计到2025年将以29.3%的速度增长[8]。同样，由于医疗保健应用对人工智能的需求，预计到2021年全球收入将达到8.11亿美元，增长40%。由于人工智能的使用，到2022年，机器学习即服务市场（MLaaS）预计将达到54亿美元。在[10]中介绍了一项使用人工神经网络（ANN）预测患者是否患有心脏病的AI在医疗保健中的应用研究。在医疗保健领域，人工神经网络用于语音识别、临床诊断、住院时间预测、癌症预测[11]、医学图像分析[12]和药物开发[13]等领域。医疗保健组织管理的改善需要非临床应用[14]。AI旨在模仿人类的认知功能。随着人工智能在结构化和非结构化医疗数据中的应用，人工智能为疾病诊断、检测和治疗带来了范式转变。常用的ML技术包括神经网络[15，16]，支持向量机（SVM），决策树（DT），朴素贝叶斯（NB），隐马尔可夫，K最近邻，逻辑回归，判别分析和深度学习（DL）。这些技术已被用于许多研究，以解决医疗保健相关的问题。参考文献[17]中的作者提出了SVM技术与其他ML技术（如粒子群）量子粒子群优化算法（QPSO）活性集策略和最小二乘支持向量机（LSSVM）用于癌症诊断。在参考文献[18]中，对用于诊断神经系统疾病的ML技术进行了综述，而在参考文献[19]中，作者提出了用于诊断糖尿病的SVM和舌像方法。在参考文献[20]中，NB技术用于美国（US）乳腺癌的预测，而在参考文献[21]中，[21]使用ML技术（如SVM，NB，K最近邻和DT）获得了更好的结果见参考文件[22]，开发了一个使用SVM的自动疾病诊断系统，而在Ref.[23]，采用二维张量经验小波变换方法从正常眼图像中检测青光眼眼底ML是一种包含算法技术的AI技术，它允许没有特定计算机编程的机器解决问题。ML技术使用的数据必须经过正确的预处理，并在使用ML技术进行训练之前被识别为有用的。在ML模型构建中，这很重要，因为模型临床的准确性。一个有效的基于机器学习的疾病诊断系统充分利用了医生的推理能力和计算机的计算能力。已知ML技术在医疗保健和相关领域中提供有希望的结果，例如：图像配准，多模态图像融合、计算机辅助诊断、图像注释、图像引导的医疗辅助、图像数据库检索和医学图像分割。在癌症治疗中，有不同类型的蛋白质导致细胞存活/死亡，可以使用不同的ML技术进行鉴定。近年来，对于细胞死亡/存活的诊断，蛋白激酶（AKT蛋白）已被认为是一个新的感兴趣领域[24，25]。这些激酶被临床医生用于治疗慢性炎性疾病、癌症等。癌症进展由复杂的病理或生理过程引起。在正常组织内生长的肿块或破坏组织的能力是播散的基本特征。这种类型的传播导致癌症引起的死亡率和发病率。占据基底膜或邻近健康组织的细胞用于分化导致转移，其也称为肿瘤侵袭[26]。其侵入过程包括对周围基质的渗透和脱粘。正常侵袭性生长和异常侵袭性之间的区别在于，正常细胞最终具有极化结构，而肿瘤细胞浸润到周围组织中。基因组DNA片段化、染色质凝聚、细胞皱缩、膜起泡和解体成膜结合囊泡（凋亡小体）是一些主要的凋亡事件。坏死和凋亡各种类型的细胞死亡[27]。 坏死是一种早期细胞坏死-细胞膜破裂与细胞器肿胀有关，而细胞内相互作用所需的能量由细胞凋亡激活，细胞凋亡在整个进化过程中受到严格调控和保护。细胞凋亡是细胞表面磷脂酰丝氨酸的形态学和生物化学变化、细胞核浓缩和碎裂、细胞内蛋白质的蛋白水解裂解以及DNA裂解成核小体片段的一系列渐进过程。内源性和内源性通路与癌细胞中细胞死亡信号通路的激发有关[28]。细胞因子、生长因子和激素是一些由受体介导的细胞外信号，这些受体有助于细胞内生理学中细胞信号的转导[29]。明确认识到AKT信号传导缺陷是多种人类疾病的基础，这使得下游靶标和功能的澄清由于敲除、敲低或抑制特定AKT亚型和相关AGC激酶的能力已显著提高，因此应更严格地确认先前鉴定的底物AKT通路的调节不良导致疾病，如癌症、胰岛素抵抗、糖尿病、心血管疾病和自身免疫性疾病。它由生长信号/因子如胰岛素调节。AKT途径通过增加抗氧化剂和减少抗氧化剂导致葡萄糖摄取和利用、糖原合成、脂肪酸合成、蛋白质合成和细胞存活/细胞增殖。由于三个输入蛋白质的分析，本文研究了调节细胞存活/死亡决定的AKT蛋白途径：肿瘤坏死因子-α（TNF-α）作为程序性细胞死亡线索[30，31]，而表皮生长因子（EGF）[32，33]和胰岛素[34]是存活的标志物。最常用的去调节途径是AKT [35]。蛋白激酶B（PKB），也称为AKT，是一种苏氨酸/丝氨酸蛋白激酶，其在各种细胞过程中起关键作用，例如细胞增殖、葡萄糖代谢、转录，细胞迁移和凋亡[36，37]。AKT有三种亚型：AKT 1/α、AKT 2/β和AKT 3/γ，如表1所示。这三表1AKT的类型同源性75AKT 1/αThr 308 Ser 473 14q32AKT2/β Thr 309 Ser 474 19q13AKT3/γ Thr 305 Ser 4721 q14调节结构域（RD）;普列克底物蛋白同源性（PH）A.O. Salau和S. Jain医学信息学解锁23（2021）1005113基因位于哺乳动物的不同染色体上。AKT1和AKT2广泛表达，AKT3在肾脏、大脑和心脏中发现。在表1中，Pleckstrin同源性（PH）的结构域作为磷脂酰肌醇3、4和5的三磷酸结合模块起作用。调节结构域（RD）位于C-末端激酶结构域附近。磷酸肌醇依赖性蛋白激酶1（PDK1）也被PIP3募集到质膜中，是磷酸化的。由“Thr”残基磷酸化。 虽然“Ser“残基是由雷帕霉素复合物2（mTOR C2）哺乳动物靶标。AKT不受蛋白质磷脂酶作用的影响，并且首先以其调节细胞增殖和存活的功能为特征。致癌性被称为AKT信号传导的过度激活。所有的AKT亚型都可以磷酸化富含脯氨酸的AKT底物，但肌动蛋白相关的AKT底物不能磷酸化。蛋白paladin只能磷酸化AKT1。由于AKT在控制多种细胞功能中的重要作用，AKT是用于治疗人类疾病的重要治疗靶标。在本文中，ML算法被用来增强AKT相关的医疗保健应用的主管决策。本文旨在减少研究差距，就发展成功的决策支持技术，癌症相关的医疗应用。机器学习（ML）是一个广泛的多学科领域，它植根于数据处理，统计分析和代数知识等。机器学习技术正在影响医疗保健决策，即人工神经网络可以用于以更低的成本改善医疗保健的提供。一个成功率高的计算机辅助疾病诊断系统对于帮助医生在有经验的医生犹豫不决的情况下正确诊断疾病是很重要的。目前在这一领域的探索性研究表明，新的实验寻求以高成功率获得改进的结果。分类问题可以在各个领域找到，例如表明存在或不存在疾病的医学测试结果。大多数学者最近试图提出新的分类方法，以改善现有过程的结果。所有的信号系统都非常有趣，因为它们在治疗癌症、风湿病和关节炎等疾病中发挥着重要作用。细胞决策过程需要分析死亡和存活受体之间的串扰机制。细胞增殖是由信号转导控制的一种基本反应。因此，本文提出了自适应诊断技术（MLP和RBF）用于预测细胞决定（细胞死亡/存活）的目的。使用三种输入蛋白-肿瘤坏死因子-α（TNF）、表皮生长因子（EGF）和胰岛素的组合，检查了控制细胞死亡/存活决定的AKT蛋白通路。AKT通过使用结合、细胞存活和不同的下游效应物来调节细胞代谢。对于AKT蛋白质，计算三种输入蛋白质的所有十种不同组合的不同参数。其中，使用不同特征（如最大值、最小值、标准差和平均值）确定TNF-EGF-胰岛素的最佳组合，并通过计算不同边界水平的观察值、预期值和累积值验证结果。使用ANN技术（如MLP和RBF）将选定浓度用于细胞分类。为所有最佳组合生成时间序列3D图，并通过训练和测试准确度进行验证。训练和测试结果产生与准确预测细胞存活或细胞死亡的ANN模型相同的结果。本文的创新之处在于利用Q-Q图和直方图检验进行数据可视化，观察数据的分布情况拟合优度检验用于确定数据是否适合特定人群的分布，并使用MTTF检验对结果进行验证。还使用考虑不同分布函数的分布ID图进行了正态性检验提取不同的特征，并使用RBF和MLP等ANN技术通过改变激活函数而不是使用其他ML或深度学习技术进行分类[38]。其余的文件结构如下：第2节介绍了用于预测AKT蛋白的细胞存活/死亡的材料和方法。第3节描述了所获得的研究结果，并随后讨论了其含义。第4节附有结论和对今后工作的建议。2. 材料和方法在本节中，对HT 29癌细胞进行实验分析，以检查AKT的途径，其有助于控制由于三种不同蛋白质的合并而导致的存活/死亡决定。AKT/蛋白激酶B（PKB）/Ras相关的C3肉毒杆菌毒素底物（Rac）是与蛋白激酶C（PKC）/蛋白激酶A（PKA）性质相同的起始激酶。这些蛋白质参与代谢、存活进展和凋亡。磷脂酰肌醇-3-激酶（PI-3 K）/AKT信号通路是通过酪氨酸激酶（TrK）进行操作的。磷脂酰肌醇磷酸（PIP2和PIP3）是由质膜和蛋白激酶1（PDK1）组成的两个相同的单体分子。PDK1结合两个相同的单体，导致AKT的活化。AKT导致几种类型的癌症。它通过结合、细胞存活和不同的下游效应物来调节代谢。对于促存活基因的转录，AKT通过IKB激酶激活NFkB。本研究论文的工作分为两个模块：实验分析和计算建模。细胞存活/死亡的计算模型使用一种算法开发，该算法使用Statistica Software 11 [39]和Minitab 11软件在Intel Core处理器系统上实现。该算法如表2所示。本文总共考虑了输入蛋白质的每种组合的300个值。2.1. 实验分析对于实验分析，作者考虑了HT29癌细胞。人结肠腺癌细胞系HT29不仅用于研究人结肠癌的生物学，而且由于能够表达成熟肠细胞的特征，因此在专注于食物消化和生物利用度的研究中受到特别关注。HT 29细胞系是由Fogh和Trempe于1975[40]从人结肠腺癌。HT 29癌细胞对不同的药物敏感，如奥沙利铂、5-氟尿嘧啶等。这些细胞对用于治疗结直肠癌的化疗药物也敏感。HT29细胞系也用作体外模型以了解肠内细胞的运输、吸收和分泌。进行了实验分析，以检查三种蛋白质的不同组合（0、0.2、1、5、100、500 ng/ml）持续24小时。将24 h表2AKT蛋白质的计算建模过程的算法。输入：HT癌细胞输出：确定细胞存活/死亡的计算模型步骤1：考虑三种不同的蛋白质，对HT癌细胞进行实验分析。步骤2：在不同时间段对不同浓度值（ng/ml）进行分析。步骤3：仅考虑AKT蛋白质，为所得物制备热图。第4步：使用拟合优度检验对所得数据进行预处理，考虑不同的分布函数，如Weibull、EX ponential和正态分布。第5步：通过计算不同分布函数的MTTF值来验证结果。第6：考虑到10种不同的浓度，为测试、训练、验证和整个阶段确定各种特征第7步：使用ANN机器学习技术（MLP和RBF）进行分类。步骤8：计算模型输出导致细胞存活/死亡的预测，以诊断癌症和AKT相关疾病。A.O. Salau和S. Jain医学信息学解锁23（2021）100511490 min和2、4、8、12、16、20和24 h。为了研究精氨酸-受体相互作用之间的有效关系，细胞内信号级联的开始，通过分析输入蛋白的十种不同处理来解释存活-死亡决定。对13种不同的蛋白质进行了分析，但在本文中，作者仅检查了AKT信号。该研究生成了具有不同浓度（0-0-0、5-0-0、5-1-0、0 -0- 5-0-0、100- 0-0、5 -0- 5、0- 100-0、 5-0-5、0-100-0）的三种不同蛋白质（TNF-EGF-胰岛素）的热图，100-100-0、0.2-0-1和100-0-500）。2.2. 计算建模本研究采用P-P图、Q-Q图、直方图检验等方法进行数据可视化，观察数据的分布情况。拟合优度检验还考虑了分布函数，如威布尔分布、E指数分布和正态分布，以确定数据是否符合某一总体的分布。通过计算MTTF值对结果进行了验证。对数据进行拟合和归一化处理后，提取不同的特征。特征提取是减少图像的冗余属性，简化表示图像所需资源的过程[41].时间特征提取简单且易于物理解释的时域特征有：信号的能量、过零率、最大幅度、最小能量等。（基于频率的特征），其通过使用傅立叶变换将基于时间的信号转换到频域中而获得，如：基频、频率分量、频谱质心、频谱通量、频谱密度和频谱滚降。计算了三种输入组合的所有10种不同浓度的检测、验证、训练和总体数据的各种特征，如最小值、最大值、平均值和标准偏差。提取的特征进行分类，使用建议的ML技术（MLP和RBF）。所提出的方法如图1所示。机器学习提供了对不同感测图像进行高效和有效分类的能力。ML的强大功能提供了映射具有多方面特征的类和处理高维数据的能力。在现代，大型数据集的可访问性与计算能力的指数增长和算法的增强相结合，导致了ML领域无与伦比的意识流。目前，ML算法经常用于高维输入数据的降维、聚类、回归或分类。然而，执行ML分类图1.一、使用AKT 蛋白决定细胞死亡/存活的建议方法。A.O. Salau和S. Jain医学信息学解锁23（2021）1005115并不简单，最近的文献对许多问题提出了不同的建议。通常，所有ML算法都根据功能、学习风格或要解决的问题进行分组。本文采用人工神经网络（ANN）进行分类.在工程上，人工神经网络可以用于两个重要的功能，即作为模式分类器和非线性自适应滤波器。它们主要是自适应非线性系统，研究数据集的输入/输出映射函数的性能。自适应意味着在该过程中，设备参数进行调整，这通常被称为训练期。ANN参数是永久性的经过培训过程，可以用来解决问题。神经网络方法大致分为MLP和RBF。在输入、权重和S形激活函数之间，MLP使用点积。通过对所有层使用反向传播，通常完成训练。RBF利用欧几里得权重和输入距离，可以用作高斯激活函数，使神经元更具局部敏感性。RBF可能使用无监督学习或反向传播的混合方法进行学习。图二. AKT的预处理。A.O. Salau和S. Jain医学信息学解锁23（2021）10051163. 结果和讨论如在关于实验分析的方法学部分中所讨论的，作者已经进行了实验，并且在本部分中呈现和讨论了实验分析的结果。实验分析的结果显示了三种方法的独特性表4AKT蛋白的百分位数。分布百分比百分位数误差下限上限03折叠标记蛋白选择技术;第一阶段包括预处理技术，然后提取不同的特征，如最大值、最小值、标准差和平均值，以选择TNF-EGF-胰岛素的最佳组合，最后是检测阶段，使用MLP和RBF技术进行检测，以提供高预测准确性和低复杂性。HT 29人结肠癌细胞的输入蛋白质反应时得到的结果进行了检查表明，MLP和RBF方法可以用来揭示生物线索-信号-反应系统的重要方面。在基因组学中，用于这些类型的实验的数据库是普遍的，10对数正态以10为底EX ponential50.47168550.0259400303031.75E-031.50E-032019年12月31日2019年12月31日主要是因为它们包含具有一致起始点和结束点的序列数据，易于融合有组织和同源的数据。另一方面，细胞信号传导数据是非结构化的，并且是het-有性生殖的和依赖对生物内容十个不同正常5 0.471385 1.85E-03威布尔10 0.481064 2.07E-2017年12月31日2017年12月31日测量浓度，然后用三个输入和四个输出的平均值（磷脂酰丝氨酸暴露（PE），对数正态以10为底10 0.478907031.56E-030.481975膜通透性（MP）、核碎裂（NF）和caspaseEX ponential10 0.053282 3.08 E-032016年12月31日底物裂解（CC）），得到10个输入和1个输出的最终结果。生成的热图的结果在图2中以通过绘制直方图、P-P图、Q-Q图和执行正态性检验而预处理的图像的形式示出。图2（a）示出了P-P图，图2（b）示出了正常10 0.478967 1.63E-03威布尔50 0.509393 1.05E-2019年12月31日2017年12月31日表示Q-Q图，图2（c）给出了直方图表示，图2（c）给出了直方图表示。 2（d） 代表 的 实证 累积 分布函数相对于未充分研究的模型。善良有不同的类型拟合检验中，但在本文中，AD检验。该测试有助于确定数据是否符合预期的数据集。 这也对数正态基表550 0.505277031.22E---称为正态性检验。这个测试并 没 有 假设AKT蛋白的MTTF值数据的分布。AD统计量用于比较一组数据符合某一分布函数的程度，以确定分布平均误差下限上边界哪个最好。当AD值为比其他人低[42]。表3显示威布尔分布函数产生显著结果。为了验证结果，威布尔0.506522 1.12E-032019年12月31日并进行了平均无故障时间（MTTF）测试大多数时间1003很难在02的基础概率图和拟合优度测量。的百分比表（如表4所示）有助于比较各种不同分布函数的分布。该表显示，基于拟合细胞死亡的正态分布，预计1%的细胞在0.45时失效，同样，预计10%的细胞在0.47时失效。MTTF用于比较选定的分布与分布ID图。正态函数的MTTF为0.505，如表5所示。威布尔函数的最大MTTF为0.506。威布尔函数的MTTF值较好，验证了本文的结果。 指数平均值或平均故障时间（MTTF）的计算公式为：1/λ，其中λ是随故障率减小的时间常数指数分布是唯一具有常数失效率的分布。从十个不同的特征中提取的不同特征表3AKT蛋白的拟合优度检验Anderson-Darling（adj）威布尔18.44对数正态基数10 23.28AKT蛋白的三种输入蛋白的组合列于表6中。对于所有10种蛋白质组合，对于5-0-5 ng/ml输入蛋白质组合，获得42.85作为最小值，347.22作为最大值，153.13作为平均值，126.11作为标准偏差。其中5-0-5ng/ml表示5 ng/ml TNF、0 ng/ml EGF和0 ng/ml胰岛素。使用MLP和RBF ANN技术将所选浓度用于对细胞进行分类。如果人工神经网络技术预期性能-mance> 0.5，则将导致细胞存活，否则将导致细胞死亡对于MLP 10-8-1，10意味着三种不同输入蛋白质的十种不同组合，8个隐藏层和1个细胞存活/死亡的输出预测。最终结果的MLP10-8-1三维图如图3所示。用不同颜色表示的不同阈值用于区分细胞存活/死亡。使用MLP和RBF的十种不同ANN模型的训练精度和测试精度如表7所示。该表显示MLP 10-8-1给出了99.33%的训练准确率和99.33%的测试准确率。还观察到，对于surEX ponential126.69比瓦尔 是98.66% 和 最大个体 分类精度正常22.63死亡率是100%。在300例测试病例中，148例（148/150）(CDF)的AKT。使用Anderson Darling（AD）值10EX ponential50030.350535对不同的分布函数进行了计算，结果如下：02如表3所示。拟合优度检验是一种统计检验，确定一组观察值是否与预期值正常500.50571503对数正态基0.5057190.5033300.508119指数0.5057150.4516080.566304威布尔1 0.447927 3.43E-0.4412560.454698对数正态基1 0.458430 2.13E-0.4542720.462626EX ponential 1 0.005083 2.93E-0.0045390.005692正常10.457161042.32E-0.4526140.461708Weibull50.4706602.50E-0.4657930.4755790.5028910.5076740.3130310.3925320.5033530.508077A.O. Salau和S. Jain表7医学信息学解锁23（2021）1005117AKT蛋白的不同提取特征。样品0-0-05-0-0100-0-00-100-05-1-0100-100-00-0-5000.2-0-15-0-5100-0-500Akt总体最小140.62164.9183.77161.6281.72151.16140.69143.842.85110.210.46最大188.99188.99155.71205.73156.59178.1217.53200.24347.22323.420.54是说162.11177.87110.13181.91123.84165.68175.41173.84153.13219.090.51标准偏差14.316.1526.8811.8427.46.7424.2417.86126.1179.950.02测试最小值140.79166.3583.79162.5182.19151.19141.25143.842.98110.720.47最大188.78188.91154.21205.73154.65178.1215.79198.38347.22323.40.53是说162.04176.5108.68182.8119.59166.54177.3170.44171.75230.530.51标准偏差14.746.2227.1111.8528.087.2424.9118.61132.3980.820.02列车最小值140.62164.9183.77161.6281.72151.16140.69143.9242.85110.210.47最大188.99188.99155.71205.55156.59178.01217.53200.24346.22323.420.54是说161.66177.72108.54182.22122.48165.65176.99173.12160.28221.720.51标准偏差13.776.0326.1612.1928.256.7324.6618.02128.7780.890.02确认最小值141.43165.8884.12161.8683.01151.83142.93143.8742.98110.810.46最大188.35188.74155.17203.85153.44176.94211.48199.64336.94315.430.53是说164.25179.94119179.56134.49164.93166.15180.6101.12195.40.5标准偏差18.164.828.955.784.966.6718.35.6516.6338.470.02图三. 残差、目标和输出的最终输出的MLP 10-8-1的3D图。注：10表示三种不同输入蛋白质的十种不同组合，8个隐藏层，1个输出细胞存活/死亡。分类正确，3例（3/150）分类错误。最后，观察到训练和测试结果产生与ANN模型（MLP 10-8-1）相同的值，表明细胞存活或死亡的准确预测。所设计的算法在AKT蛋白上进行测试时表明，MLP提供了更好的结果，具有最小的运行时间复杂度的细胞存活/死亡预测。由于人工神经网络技术是适应复杂问题，改变网络拓扑结构，使他们能够处理不同层次的复杂性和预测系统的期望输出时，充分的实验提供了数据。神经网络的优点之一是它允许对复杂系统中的物理现象进行建模，需要详尽的实验或不需要明确的数学表示。非线 性 神 经 网 络 被 用 来揭 示 生 物 线 索 信 号 反 应 系 统 的 重 要 方 面 ， 使 用TN F ， EGF 和 胰岛素 介导 的HT - 2 9 人结 肠的 反应癌细胞虽然进行了一些分析，但这项工作的标志是描述了用于研究调节的A.O. Salau和S. Jain医学信息学解锁23（2021）1005118+表7使用不同的ANN模型对AKT进行训练和测试的准确性比较S/No.网络名称培训绩效测试性能验证性能隐藏激活输出激活1MLP 10-9-196.5996.010.95TanhTanh2MLP 10-4-197.5496.450.95Tanh身份3MLP 10-13-198.4898.430.95TanhEX ponential4MLP 10-10-198.7798.760.95LogisticLogistic5MLP 10-8-199.3399.330.95EX ponentialEX ponential6RBF 10-22-198.7698.670.94高斯身份7RBF 10-28-196.7695.970.95高斯身份8RBF 10-21-198.7098.670.94高斯身份9RBF 10-26-198.4095.450.94高斯身份10RBF 10-29-196.5796.780.94高斯身份细胞命运与AKT蛋白的输入蛋白的组合。该纲要包含10，000多项基于细胞信号蛋白的状态和活动的生化测量，表9建议的技术与相关工程的比较。人类细胞的凋亡反应。实验数据库在基因组学中很常见，主要是因为序列数据是结构化的，S/No.技术蛋白准确度（%）均匀，有明确的起点和终点，它们提供了一个1.GLCM+ k-NN [32] EGFR、IRS、ERK、MK2，75.60相对容易融合数据。相比之下，细胞信号数据是非结构化的，2.GLDSK-NN [28]JNK、FKHR76.90tured和异质性，并取决于生物含量。通过计算不同边界水平的观察值、预期值和累积值对结果进行验证，如表8所示。在表8中，观察到的频率（fobs或fexp）是3.DWT+SSVM [36]4.GLDS+SVM [28]5.GLCM+SVM [32]6.建议的技术（MLPAktERK、MK2、JNKAKTEGFR、IRS、ERK、MK2、JNK、FKHR80.0084.6085.8099.33特定类别中的单个数据点要计算数据集中单个数据点的总数，请将所有频率相加得到N。观察到的百分比是fobs和N的比值（fobs/N）。累积频率（cf）表示位于每个分数或低于每个分数的单个数据点的数量，其百分比表示随着其向上移动而累积的数据表9还列出了现有工程的比较。实验结果表明，该方法具有低复杂度和高预测精度的特点，优于现有的此外，它表明基于AKT蛋白的自洽细胞信号数据可以通过计算复制，从而深入了解细胞决策的控制4. 结论医疗领域中与健康相关的问题是巨大的，治疗变得越来越昂贵。近年来，机器学习（ML）技术被用作解决这一领域挑战的重要工具。这项研究表明，径向基函数（RBF）和多层感知器（MLP）等ML技术可用于不同级别的医疗保健相关决策和诊断，以帮助治疗。受该领域不断发展的影响，医学专家利用人工神经网络的混合模型来努力定制解决方案，以解决与医疗保健相关的问题。本文提出了一系列的实验分析，Akt（RBF）在13个不同的切片中，在0-24小时的跨度内使用三种输入蛋白的十种不同组合来确定AKT蛋白。近年来，AKT/PKB的激活机制，即脂质第二信使介导的AKT/PKB磷酸化作用已被广泛研究，AKT/PKB促进细胞存活和增殖的研究也迅速发展扩张为了提取各种特征的实验目的，将数据可视化和标准化。最后，将RBF和MLP技术应用于细胞死亡/细胞存活的预测。使用RBF和MLP技术预测细胞存活/死亡取得了令人鼓舞的结果。有鉴于此，我们希望对它们的运作方式及其可能构成的风险的批判性认识可以激励学者和医学专家开发新的变革性ML技术，以更好地诊断癌症及其相关疾病。在未来，作者希望探索使用深度学习来实现更好的细胞存活性能，这反过来又需要各种优化技术来应用于属性的强化选择。资金作者声明没有为这项研究提供资金表8不同边界水平的拟合分布和卡方值上限变量：AKT，分布：正态（AKT）卡方=276.04040，自由度（df）=6（调整后），p值=0.000观察频率（fobs）观察百分比累积频率（cf）卡穆尔观察%预期频率（fexp）百分比EX预期累积预期EX（cf）卡穆尔% EX检出电话：0511 - 8888888传真：0511 - 88888882019 - 03 - 24 00：00：000.48000 58 19.333 68 22.667 19.668 6.556 32.8040.49000 32 10.667 100 33.333 35.032 11.677 67.836 22.6120.50000 0 0.000 100 33.333 49.851 16.617 117.687 39.2290.51000 13 4.333 113 37.667 56.674 18.891 174.361 58.1200.52000 93 31.000 206 68.667 51.477 17.159 225.837 75.2790.53000 85 28.333 291 97.000 37.355 12.452 263.192 87.7310.54000 9 3.000 300 100.000 21.656 7.219 284.848<无限0 0.000 300 100.000 15.152 5.051 300.000 100.000A.O. Salau和S. Jain医学信息学解锁23（2021）1005119数据和材料不适用因代码可用性不适用。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认作者声明，他们已承认使用的所有来源和给予的任何支持。引用[1] Zhang X，Tang N，Hadden TJ，Rishi AK. Akt、FoX O与细胞凋亡的调控生物化学和生物物理学报2011;1813：1978-86。[2] Jain S.使用线性和稳健回归分析的AKT系统建模。CurrTrends Biotechnol Pharm2018;12（2）：177-86.[3] Shahid AH，Singh MP.用于医学诊断的和预测：问题和目前的发展。 Biocybernet Biomed Eng 2019;39：638-72.https://doi.org/10.1016/j.bbe.2019.05.010网站。[4] 放大图片创作者：Rogers-Stewart K.正态性和对称性检验的综合研究：扩展Spiegel Halter检验。 J Stat Comput Simulat 2006;76（9）：803[5] 谢玲，李智，周燕，何燕，朱军。心电信号分析的计算机诊断技术。传感器2020;20：6318. https://doi.org/10.3390/s20216318.[6] Nilashi M，Ibrahim O，Ahmadi H，Shahmoradi L.疾病的分析方法使 用 机 器 学 习 技 术 进 行 预 测 。 计 算 机 化 学 工 程 2017;106 ： 212-23 。https://doi.org/10.1016/j.compchemeng.2017.06.011网站。[7] 物联网和下一代医疗保健的大数据技术Bhatt C，Dey N，Ashour AS，编辑。大数据研究2017 https://doi.org/10.1007/978-3-319-49736-5.[8] 大观研究所按应用程序（运营管理、财务、人口健康、临床）、最终用途（付款人、提供商）、地区（北美、欧洲、亚太地区、拉丁美洲）分列的医疗保健预测分析市场分析美国，ME