رکوردهای مرتبط با این شخص

بررسی تغییرات و همبستگی بیان RNA های طویل غیر کد کننده ی ITFG2-AS1 و MMP25-AS1 در نمونه های سرطان معده (1401) / محبی ، فاطمه، نویسنده

نوع مدرک: متون چاپی سرشناسه محبی ، فاطمه، نویسنده رده‌بندی کنگره : ‭BIO gen ‭40 عنوان : بررسی تغییرات و همبستگی بیان RNA های طویل غیر کد کننده ی ITFG2-AS1 و MMP25-AS1 در نمونه های سرطان معده عنوان موازی : Differential expression and correlation analysis of ITFG2-AS1 and MMP25-AS1 long non-coding RNAs in gastric cancer sample ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 63ص شابک/شاپا 24728 یادداشت پایان نامه کارشناسی ارشد:رشته ژنتیک شناسه افزوده : آبکار ، مرتضی، استاد راهنما زمان زاده ، زهرا، استاد مشاور توصیفگرها سرطان معده، lncRNA، ITFG2-AS1، MMP25-AS1، qRT-PCR، بیوانفورماتیک  Gastric cancer, lncRNA, ITFG2-AS1, MMP25-AS1, qRT-PCR, Bioinformatics چکیده : سرطان معده رتبه دوم را در مرگ و میر ناشی از سرطان دارد. یکی از روش های عملی برای پیشگیری، مدیریت و کنترل بدخیمی هایی مانند سرطان، بررسی وضعیت پروفایل بیان ژن است. lncRNAها تنظیم کننده های مهم فرآیندهای سلولی هستند که این فرایندها معمولاً در سرطان معده به درستی تنظیم نمی شوند. بیان نابجای lncRNA ها با سرطان معده مرتبط است و lncRNA های خاصی در تشخیص و پیش آگهی نقش دارند. در این مطالعه، سطوح بیان RNA طولانی غیر کدکننده (lncRNA) ITFG2-AS1 و MMP25-AS1 در بیماران سرطان معده ارزیابی شد. در این بررسی، آنالیزهای بیوانفورماتیکی برای بررسی کیفیت نمونه ها و آنالیز تغییر بیان این lncRNA ها انجام شدند. RNA از نمونه های بافتی استخراج شدند و سنجش کمی آنها انجام شد. سپس سنتز cDNA و طراحی پرایمر ویژه برای هریک از lncRNA ها و ژن خانه داری (GAPDH) انجام شد و با استفاده از سیستم Real-Time PCR سطح بیان نسبی هر lncRNA بین بافت توموری و سالم بررسی شد. در نهایت تجزیه و تحلیل های آماری داده ها توسط GraphPad Prism انجام شد. آنالیز میکرواری نشان داد که نمونه های مورد بررسی دارای کیفیت مناسب بودند و این دو lncRNA دارای افزایش بیان معناداری در نمونه های بیمار نسبت به نمونه های سالم می باشند. به منظور تایید نتایج حاصل از آنالیز داده های microarray، از پایگاه داده ی ENCORI برای آنالیز تغییر بیان این lncRNA ها استفاده شد و نشان داد که بیان هر دو lncRNA در نمونه های سرطان معده نسبت به نمونه های سالم دارای افزایش بیان معنادار بودند. از ازمایشReal-time PCR برای ارزیابی تغییرات در سطح بیان lncRNA های انتخابی استفاده شد و نشان دهنده ی افزایش بیان معنادار ژن های ITFG2-AS1 و MMP25-AS1 در بیماران سرطان معده نسبت به نمونه های سالم بود. ارتباطی بین بیان ژن های ذکر شده با موقعیت های کلینیکوپاتولوژیک در نمونه های سرطان معده مشاهده نشد. به منظور بررسی پتانسیل بیومارکری (تشخیصی) lncRNA ها برای سرطان معده، آنالیز ROC بر داده های بیانی ژن های مطرح شده انجام شد و مشخص شد کهlncRNA ITFG2-AS1 می تواند به عنوان یک نشانگر زیستی قابل قبول برای نمونه های سرطان معده معرفی شود. بر اساس آنالیز Pearson میان سطح بیان MMP25-AS1 و ITFG2-AS1 در نمونه های سرطان معده همبستگی مثبت معنادار قابل توجهی مشاهده می شود. این همبستگی بیانگر اثر احتمالی افزاینده ی بیان lncRNA های ذکر شده بر بیان یکدیگر است. بر اساس این مطالعه ی انجام شده، lncRNA های ITFG2-AS1 و MMP25-AS1 می توانند دو انکوژن مهم در بیماران سرطان معده محسوب شوند. از طرفی، ITFG2-AS1 می تواند به عنوان یک نشانگر زیستی تشخیصی مهم برای شناسایی زودهنگام افراد دارای ریسک ابتلا به بیماری سرطان معده معرفی شود. این دو lncRNA می توانند بر سطح بیان یکدیگر اثرگذاری داشته باشند و مجموعا در تغییر ریسک ابتلا به بیماری سرطان معده تاثیرگذار باشند لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13794 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24728	‭BIO gen ‭40	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت

طبقه بندی تصاویرچند برچسبی با استفاده از الگوریتم شبکه عصبی کانولوشن بهبود یافته (1400) / محبی ، فاطمه، نویسنده

نوع مدرک: متون چاپی سرشناسه محبی ، فاطمه، نویسنده رده‌بندی کنگره : ‭COM A ‭22 1400 عنوان : طبقه بندی تصاویرچند برچسبی با استفاده از الگوریتم شبکه عصبی کانولوشن بهبود یافته عنوان موازی : Multi-tagged image classification using convolutional neural network algorithm ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1400 صفحه شمار: 63ص شابک/شاپا 23992 یادداشت پایان نامه کارشناسی ارشد: مهندسی کامپیوتر گرایش هوش مصنوعی شناسه افزوده : کلینی ، مینا، استاد راهنما مهدوی نژاد ، محمدسعید، استاد مشاور توصیفگرها طبقه بندی تصاویر چند برچسبی  یادگیری عمیق  شبکه عصبی کانولوشنی  multi-tagged image classification  deep learning  convolutional neural network چکیده : در یادگیری ماشین، طبقه بندی چند برچسب و مسئله کاملاً مرتبط به طبقه بندی چند خروجی، ازانواع مسئله طبقه بندی است که در آن ممکن است چندین برچسب به هر نمونه اختصاص پیدا کند. طبقه بندی چند برچسب تعمیم یافته ی طبقه بندی چند کلاسه است ،و مسئله تک برچسب، طبقه بندی نمونه ها دقیقاً به یکی از چند کلاس است. در مسئله چند برچسب هیچ محدودیتی در تعداد کلاسهایی که به عنوان نمونه می تواند به آن اختصاص پیدا کند، وجود ندارد. روش¬های مختلفی برای طبقه بندی تصاویر چند برچسبی وجود دارد که دقت کافی ندارند. به همین دلیل، در روش پیشنهادی از الگوریتم CNN بهبود یافته برای طبقه بندی تصاویر با چندین برچسب استفاده میشود. برای بهبود استخراج ویژگی، با هدف هماهنگی ویژگی¬ها در لایه¬های میانی و ترکیبی با لایه¬های قبلی به طبقه بندی مناسبت تر نسبت به روش¬های قبلی پرداخته می¬شود. سپس مقیاس¬های متفاوت از مراحل بعد را در طی فرایند کانولوشنی با لایه¬های شبکه عصبی کانولوشنی ترکیب می¬کنیم. این روش باعث بهتر شدن ویژگی های استخراجی از تصاویر در تمام مراحل شبکه میشود. نتایج نشان می¬دهد که بهترین دقت با بهبود مقیاس پذیری 97 درصد بدست آمد که در مقایسه با دیگر روش¬ها عملکرد قابل توجهی را ارائه داد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13190 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
23992	‭COM A ‭22 1400	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت