• چکیده (5)
• فصل1 مقدمه (13)
  • 1-1 تعریف مسئله (14)
  • 1-2 هدف پژوهش (15)
  • 1-3 ساختار پایان‌نامه (16)
• فصل2 مقدمات مورد نیاز (17)
  • 2-1 بیوپسی (17)
  • 2-2 اپی‌ژنتیک (18)
    • 2-2-1 متيلاسيون دی‌ان‌ای (18)
      • 2-2-1-1 جزایر سی‌پی‌جی (20)
  • 2-3 سی‌اف-‌دی‌ان‌ای (21)
    • 2-3-1 تغییر در الگوی متیلاسیون ژن‌ها (22)
  • 2-4 تکنیک‌های تشخیص متیلاسیون سی‌اف-‌دی‌ان‌ای (23)
    • 2-4-1 روش‌های مبتنی بر تبدیل بی‌سولفیت (23)
    • 2-4-2 روش‌های مبتنی بر غنی‌سازی رسوب (24)
    • 2-4-3 روش پروفایل 5-هیدروکسی متیل سیتوزین یا hmc5 (25)
  • 2-5 اندازه گیری کمیت‌های متیلاسیون سی‌اف-‌دی‌ان‌ای (26)
    • 2-5-1 توالی‌یابی نسل بعدی یا به طور مختصر ان‌جی‌اس (26)
    • 2-5-2 آرایه متیلاسیونی (26)
  • 2-6 دیناز (28)
  • 2-7 ابزار BED (29)
• فصل3 کارهای مرتبط پیشین (31)
  • 3-1 تکنیک‌های یادگیری ماشین با cfMeDIP-seq (31)
    • 3-1-1 cfMeDIP-seq (31)
    • 3-1-2 جمع‌آوری و پیش‌پردازش داده (32)
    • 3-1-3 پیاده‌سازی داده (33)
    • 3-1-4 جمع‌بندی و نتیجه‌گیری (34)
  • 3-2 رگرسیون لاجستیک (34)
    • 3-2-1 دسته‌بندی سرطانی و غیر سرطانی و محلی‌سازی بافت مبدا (34)
    • 3-2-2 تجزیه و تحلیل در سطح قطعه (35)
    • 3-2-3 مدل‌های منبع محلی (35)
    • 3-2-4 استخراج ویژگی‌ها برای دسته‌بندی (36)
    • 3-2-5 آموزش گروهی دسته‌بند‌های لاجستیک (37)
    • 3-2-6 تعیین آستانه برای تصمیم‌گیری (37)
    • 3-2-7 جمع‌بندی و نتیجه‌گیری (38)
  • 3-3 جنگل تصادفی با استفاده از اس‌موت و t-SNE (39)
    • 3-3-1 جمع‌آوری داده‌ (39)
    • 3-3-2 پیش‌پردازش داده و شناسایی نشانگرهای زیستی سرطانی مبتنی بر متیلاسیون (39)
    • 3-3-3 مدل‌های یادگیری ماشین برای دسته‌بندی ‌سرطان‌ها‌ (40)
    • 3-3-4 t-SNE و PCA: اس‌موت و مدل تفسیر محلی ناآگاه (LIME) (40)
    • 3-3-5 هستی شناسی ژن یا جی‌او ، تحلیل مسیر و تجسم شبکه (41)
    • 3-3-6 جمع‌بندی و نتیجه‌گیری (42)
  • 3-4 DISMIR (43)
    • 3-4-1 جمع‌آوری و پردازش دادگان (44)
    • 3-4-2 شناسایی دی‌ام‌آر‌های خاص سرطان کبد (44)
    • 3-4-3 پیش‌بینی منبع هر خوانش با یک مدل یادگیری عمیق (46)
    • 3-4-4 تخمین کسر سی‎اف-دی‌ان‌ای مشتق شده از تومور (47)
    • 3-4-5 تجسم هسته‌های مدل یادگیری عمیق با استفاده از PFM (47)
    • 3-4-6 جمع‌بندی و نتیجه‌گیری (48)
  • 3-5 جمع‌بندی نهایی (49)
• فصل4 روش پیشنهادی (50)
  • 4-1 جمع‌آوری و پیش‌پردازش دادگان (51)
    • 4-1-1 جمع‌آوری (51)
      • 4-1-1-1 دادگان متیلاسیون دی‌ان‌ای (51)
      • 4-1-1-2 دادگان متیلاسیون سی‌اف-دی‌ان‌ای (52)
    • 4-1-2 پیش‌پردازش (52)
      • 4-1-2-1 دادگان متیلاسیون دی‌ان‌ای (52)
      • 4-1-2-2 دادگان متیلاسیون سی‌اف-دی‌ان‌ای (54)
  • 4-2 معماری شبکه یادگیری‌ عمیق پیشنهادی (57)
    • 4-2-1 بخش اول معماری شبکه (58)
      • 4-2-1-1 لایه‌های بلوک 1conv (59)
      • 4-2-1-2 لایه‌های بلوک 1 (60)
    • 4-2-2 بخش دوم معماری شبکه (61)
    • 4-2-3 بخش سوم معماری شبکه (61)
    • 4-2-4 بخش چهارم معماری شبکه (61)
    • 4-2-5 خروجی (62)
  • 4-3 جمع‌بندی (63)
• فصل5 پیاده‌سازی و نتایج (64)
  • 5-1 آماده‌سازی دادگان (64)
    • 5-1-1 متیلاسیون دی‌ان‌ای (64)
    • 5-1-2 متیلاسیون سی‌اف-دی‌ان‌ای (65)
  • 5-2 معیارهای مورداستفاده (66)
    • 5-2-1 ماتریس سردرگمی (66)
    • 5-2-2 منحنی ROC-AUC (68)
  • 5-3 تنظیمات آموزش (68)
    • 5-3-1 رابط برنامه‌نویسی کاربردی (69)
    • 5-3-2 تابع هزینه (69)
    • 5-3-3 نرخ یادگیری (70)
    • 5-3-4 بهینه‌سازی (70)
    • 5-3-5 وزن‎دهی اولیه (71)
    • 5-3-6 شروع آموزش (71)
  • 5-4 آزمایش و نتایج (71)
    • 5-4-1 پیش‌آموزش با دادگان متیلاسیون دی‌ان‌ای (71)
    • 5-4-2 نتایج استفاده از تکنیک تطبیق دقیق (74)
      • 5-4-2-1 روش نرمال‌سازی حداقل-حداکثر (74)
      • 5-4-2-2 روش نرمال‌سازی امتیاز Z (75)
      • 5-4-2-3 بدون نرمال‌سازی (75)
    • 5-4-3 نتایج عدم استفاده از تکنیک تطبیق دقیق (76)
      • 5-4-3-1 روش نرمال‌سازی حداقل-حداکثر (76)
      • 5-4-3-2 روش نرمال‌سازی امتیاز Z (77)
      • 5-4-3-3 بدون نرمال‌سازی (78)
    • 5-4-4 نتایج عدم استفاده از رویکرد پیش‌آموزش (78)
      • 5-4-4-1 روش نرمال‌سازی حداقل-حداکثر (79)
      • 5-4-4-2 روش نرمال‌سازی امتیاز Z (79)
      • 5-4-4-3 بدون نرمال‌سازی (80)
  • 5-5 نتیجه نهایی (81)
  • 5-6 جمع‌بندی (83)
• نتیجه‌گیری و بررسی کارهای آتی (84)