สืบค้นงานวิจัย
การทำนายผลฟีโนไทป์ของการดื้อยาเชิงคุณภาพจากผลจีโนไทป์สำหรับเชื้อเอชไอวีชนิดที่ 1 ในยากลุ่มที
Ekawat Pasomsub - มหาวิทยาลัยมหิดล
ชื่อเรื่อง: การทำนายผลฟีโนไทป์ของการดื้อยาเชิงคุณภาพจากผลจีโนไทป์สำหรับเชื้อเอชไอวีชนิดที่ 1 ในยากลุ่มที
ชื่อเรื่อง (EN): protease inhibitors using neural networks
ผู้แต่ง / หัวหน้าโครงการ (EN): Ekawat Pasomsub
บทคัดย่อ: เชื้อไวรัสเอชไอวีมีความสามารถในการดื้อยาได้ง่าย การทดสอบการดื้อยาต่อเชื้อ ไวรัสเอชไอวีด้วยวิธีการตรวจจีโนไทป์เป็นวิธีที่มีประสิทธิภาพใช้ในการติดตามผลตลอดและช่วย ในการออกแบบสูตรการให้ยาในการรักษาผู้ป่วยในครั้งต่อไป วิธีจีโนไทป์เป็นวิธีที่ทำได้ง่าย แต่ก็มี ข้อจำกัดในเรื่องการแปลผล โดยเฉพาะผลที่มีความซับซ้อน ทำให้ขาดความแม่นยำได้ในบางครั้ง งานวิจัยนี้ได้นำเทคนิคนิวรอลเน็ตเวิร์กซึ่งมีความสามารถในการแก้ปัญหาที่ซับ ซ้อน โดยใช้ข้อมูลจีโนไทป์เป็นข้อมูลขาเข้าและใช้ข้อมูลฟีโนไทป์เป็นข้อมูลขาออก ข้อมูลการ ตรวจจีโนไทป์และฟีโนไทป์ของเชื้อไวรัสเอชไอวีจำนวน 598 ตัว ถูกแบ่งเป็นชุดข้อมูลเรียนรู้ และ ชุดข้อมูลทดสอบ แบบจำลองนิวรอลเน็ตเวิร์กจะเรียนรู้ความสัมพันธ์ของข้อมูลจากชุดข้อมูลเรียนรู้ และทดสอบความถูกต้องแม่นยำจากชุดข้อมูลทดสอบ ผลการทำนายที่ได้จะอยู่ในรูปแบบจำนวน เท่าของการดื้อยา เมื่อเทียบกับเชื้อไวรัสเอชไอวีมาตรฐาน ซึ่งก็จะถูกนำไปเปรียบเทียบกับผลการ ทำนายการดื้อยาด้วยวิธี Rule-based และ Support vector machine ผลจากการใช้แบบจำลองนิวรอลเน็ตเวิร์ก เทียบกับการทดสอบฟีโนไทป์ทางห้อง ปฏิบัติการ พบว่าแบบจำลองนิวรอลเน็ตเวิร์กจะให้ค่าความสัมพันธ์สูงถึง 0.96 และยังให้ค่าความถูก ต้องถึง 95% เมื่อเปรียบเทียบการทำนายผลทั้ง 3 วิธี พบว่าให้ผลสอดคล้องกับผลการทดสอบด้วยฟี โนไทป์มากถึง 97% และจากการนำผลการทำนายด้วยแบบจำลองนี้ไปเปรียบเทียบกับผลข้อมูลทาง คลินิกของผู้ป่วย พบว่าให้ค่าสอดคล้องกัน 78% ด้วยประสิทธิภาพของแบบจำลองนิวรอลเน็ตเวิร์ก จึงมีความเป็นไปได้ที่จะใช้ผลการทำนายค่าฟีโนไทป์นี้ในการใช้ออกแบบสูตรยาเพื่อรักษาผู้ป่วยที่ ติดเชื้อเอชไอวีต่อไป
บทคัดย่อ (EN): Drug-resistant human immunodeficiency virus type 1 (HIV-1) strains have developed under the selective pressure of antiretroviral treatment. Genotypic resistance testing is a powerful tool in identifying such resistant viruses in individual patients during or prior to therapy and it has been used to improve drug efficiency and to design subsequent drug therapies. Although genotypic testing is easier to perform, previous clinical trials have shown that patients receiving genotypic testing do not respond to treatment due to multiple drugs resistant patterns that are increasingly complex and often difficult for clinicians to interpret. In an attempt to overcome the drawbacks of genotypic resistance testing, this study presents a neural network system that can predict the HIV-1 phenotypic fold change value from genotypic results. The neural network is an artificial intelligence tool for implicitly identifying any complex nonlinear relationships from experimental data and it has the ability to detect all possible interactions between all input variables. In this study, 598 HIV-1 protease sequences and their corresponding phenotypic fold change values (in 50% inhibitory concentration) for six drugs were retrieved from the Stanford HIV RT and Protease Database. The genotypephenotype data were divided into a training and test set. Neural network models were developed from training set data and the performance of the models was determined from the test data set. The prediction results were expressed as a logarithm of fold change that could be defined interms of susceptibility classes using cutoff values. The results from the neural network prediction system were compared with those from the rule-based method provided with the Stanford HIV RT and Protease Database and the support vector machine method of the Geno2Pheno interpretation system. The neural network system predicted values showing a high correlation coefficient of 0.96 and high accuracy of 95%, both of which were higher than the other two systems, when compared with experimental phenotypic testing values. Regarding consensus based prediction, neural network system predicted values also showed better results (97%) than the other two systems. The correlation of neural network predicted values with clinical outcome was 78%. So the neural network system proved to be acceptable and more efficient for designing drug therapies.
บทคัดย่อ: ไม่พบข้อมูลจากหน่วยงานต้นทาง
ภาษา (EN): th
เอกสารแนบ: http://dcms.thailis.or.th/dcms/dccheck.php?Int_code=126&RecId=1963&obj_id=1186
เผยแพร่โดย: มหาวิทยาลัยมหิดล
คำสำคัญ (EN): Phenotype
เจ้าของลิขสิทธิ์: มหาวิทยาลัยมหิดล
รายละเอียด: เชื้อไวรัสเอชไอวีมีความสามารถในการดื้อยาได้ง่าย การทดสอบการดื้อยาต่อเชื้อ ไวรัสเอชไอวีด้วยวิธีการตรวจจีโนไทป์เป็นวิธีที่มีประสิทธิภาพใช้ในการติดตามผลตลอดและช่วย ในการออกแบบสูตรการให้ยาในการรักษาผู้ป่วยในครั้งต่อไป วิธีจีโนไทป์เป็นวิธีที่ทำได้ง่าย แต่ก็มี ข้อจำกัดในเรื่องการแปลผล โดยเฉพาะผลที่มีความซับซ้อน ทำให้ขาดความแม่นยำได้ในบางครั้ง งานวิจัยนี้ได้นำเทคนิคนิวรอลเน็ตเวิร์กซึ่งมีความสามารถในการแก้ปัญหาที่ซับ ซ้อน โดยใช้ข้อมูลจีโนไทป์เป็นข้อมูลขาเข้าและใช้ข้อมูลฟีโนไทป์เป็นข้อมูลขาออก ข้อมูลการ ตรวจจีโนไทป์และฟีโนไทป์ของเชื้อไวรัสเอชไอวีจำนวน 598 ตัว ถูกแบ่งเป็นชุดข้อมูลเรียนรู้ และ ชุดข้อมูลทดสอบ แบบจำลองนิวรอลเน็ตเวิร์กจะเรียนรู้ความสัมพันธ์ของข้อมูลจากชุดข้อมูลเรียนรู้ และทดสอบความถูกต้องแม่นยำจากชุดข้อมูลทดสอบ ผลการทำนายที่ได้จะอยู่ในรูปแบบจำนวน เท่าของการดื้อยา เมื่อเทียบกับเชื้อไวรัสเอชไอวีมาตรฐาน ซึ่งก็จะถูกนำไปเปรียบเทียบกับผลการ ทำนายการดื้อยาด้วยวิธี Rule-based และ Support vector machine ผลจากการใช้แบบจำลองนิวรอลเน็ตเวิร์ก เทียบกับการทดสอบฟีโนไทป์ทางห้อง ปฏิบัติการ พบว่าแบบจำลองนิวรอลเน็ตเวิร์กจะให้ค่าความสัมพันธ์สูงถึง 0.96 และยังให้ค่าความถูก ต้องถึง 95% เมื่อเปรียบเทียบการทำนายผลทั้ง 3 วิธี พบว่าให้ผลสอดคล้องกับผลการทดสอบด้วยฟี โนไทป์มากถึง 97% และจากการนำผลการทำนายด้วยแบบจำลองนี้ไปเปรียบเทียบกับผลข้อมูลทาง คลินิกของผู้ป่วย พบว่าให้ค่าสอดคล้องกัน 78% ด้วยประสิทธิภาพของแบบจำลองนิวรอลเน็ตเวิร์ก จึงมีความเป็นไปได้ที่จะใช้ผลการทำนายค่าฟีโนไทป์นี้ในการใช้ออกแบบสูตรยาเพื่อรักษาผู้ป่วยที่ ติดเชื้อเอชไอวีต่อไป
หากไม่พบเอกสารฉบับเต็ม (Full Text) โปรดติดต่อหน่วยงานเจ้าของข้อมูล

การอ้างอิง

Ekawat Pasomsub. "การทำนายผลฟีโนไทป์ของการดื้อยาเชิงคุณภาพจากผลจีโนไทป์สำหรับเชื้อเอชไอวีชนิดที่ 1 ในยากลุ่มทีprotease inhibitors using neural networks". มหาวิทยาลัยมหิดล. 2547

Ekawat Pasomsub. "การทำนายผลฟีโนไทป์ของการดื้อยาเชิงคุณภาพจากผลจีโนไทป์สำหรับเชื้อเอชไอวีชนิดที่ 1 ในยากลุ่มทีprotease inhibitors using neural networks". มหาวิทยาลัยมหิดล. 2547. Print.



TARR Wordcloud:
การทำนายผลฟีโนไทป์ของการดื้อยาเชิงคุณภาพจากผลจีโนไทป์สำหรับเชื้อเอชไอวีชนิดที่ 1 ในยากลุ่มที
Ekawat Pasomsub
มหาวิทยาลัยมหิดล
2547
ลักษณะทางฟีโนไทป์ของเชื้อ Burkholderia thailandensis ก่อนและหลังจากติดเชื้อ bacteriophage ที่แยกได้จากเชื้อ Burkholder การหาลักษณะทางฟีโนไทป์ของเชื้อ penicillium marneffei สายพันธุ์ที่มีการขาดหายไปของยีนแมนโนโปรตีนไลด์ไปรตีนซิกซ์ การศึกษาจีโนไทป์ของแคปปา-เคซีนในพ่อพันธุ์โคนมของกองผสมเทียม ปัจจัยที่มีผลต่อพฤติกรรมเสี่ยงต่อการติดเชื้อเอชไอวี ของกลุ่มผู้ใช้แรงงาน โรงงานอุตสาหกรรมแปรรูปกุ้งส่งออก อำเภอระโนด จังหวัดสงขลา พ.ศ 2553 อิทธิพลของภาวะพหุสัณฐานของยีนไซโตไคน์ เคโมไคน์และตัวรับเคโมไคน์ และการแสดงออกของยีน ต่อการดำเนินโรคติดเชื้อเอชไอวี ผลของยาเลโวฟลอกซาซินต่อการเจริญชนิดล่องลอยและชนิดสร้างแผ่นชีวมวลของเชื้อ Enterococcus faecalis สายพันธุ์ดื้อยา การพัฒนาการเคลือบแคปซูลชนิดแข็งบรรจุของเหลวของยาไดเมนไฮดริเนตเพื่อใช้เป็นยาเหน็บทวารหนัก : ทางเลือกสำหรับประเทศในเขตร้อน อนุกรมวิธานและความสัมพันธ์ทางพันธุกรรมของเชื้อราแป้งในไทร์บ Phyllactinieae การระบุชนิดเชิงโมเลกุล และการเปลี่ยนแปลงทางจุลพยาธิวิทยาของพยาธิกลุ่ม Echinostomes ที่ติดเชื้อในหอยขม Filopaludina spp. การผลิตและการหาลักษณะเฉพาะของแอนไซม์แทนเนสจากเชื้อ Aspergillus niger 56MS1
คัดลอก URL
กระทู้ของฉัน
ผลการสืบค้นทั้งหมด โพสต์     เรียงลำดับจาก
พัฒนาระบบโดยศูนย์ความรู้เฉพาะด้านวิศวกรรมความรู้และวิศวกรรมภาษาDeveloped by Center of Excellence for Unified Knowledge and Language Engineering
สนับสนุนโดยสำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน)Supported by the Agricultural Research Development Agency (Public Organization)
แบบสำรวจความพึงพอใจQuestionair