تحقیق درباره درمان سرطان با ریاضی 16 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

ریاضی و پزشکی

درمان سرطان با ریاضی !

گروهی از دانشمندان آمریکایی مدلی رایانه ای را ارائه کرده اند که براساس آن می توان ترکیبی از موثرترین روش های درمانی معالجه سرطان را با استفاده از آلگوریتم های ریاضی ارائه کرد. به گزارش مهر، پروژه تحقیقاتی لیزه دو فلیس استاد ریاضی کالج هاروی ماد در کالیفرنیا که با عنوان درمان سرطان با ریاضی" معرفی شده است که نشان می دهد که از ترکیب علم سرطان شناسی و ریاضی می توان بیشترین شانس را برای شناسایی و تشخیص درمان های موثر در مبازره با تومرها بدست آورد.این استاد دانشگاه چند سیستم ریاضی را برای ترکیب استراتژی ها مختلف ایمنی درمانی، شیمی درمانی و واکسینودرمانی شناسایی کرده است.دو فلیس که بررسی های خود را در کنگره سالانه "ائتلاف ملی برای یافته های علمی" در واشنگتن مطرح کرده است، در این خصوص توضیح داد : "ما یکسری از مدل های ریاضی خاص را توسعه داده ایم که به کمک آنها می توان دینامیک کاملتر واکنش های میان سلولهای نئوپلاستیکی، سیستم ایمنی و درمان های پزشکی سازگار را دریافت. از آنجا که این راه درصد خطر سلامت بیمار را تا حدقابل ملاحظه ای کاهش می دهد، بسیار حائز اهمیت است."براساس مدیکال نیوز تو دی، این مدل ها با استفاده از شبیه سازی و تصویرسازی هندسی ویژگی های متعدد بیماری به روش مجازی درمان های موثر را ارائه می کند.درحقیقت با این روش، یک مدل ریاضی عرضه می شود که به اطلاعات متعدد افزایش سلولهای سرطانی و واکنش آنها با سیستم ایمنی ترجمه می شود. به این ترتیب پزشکان می توانند قبل از آغاز درمان سرطان با داروهای خطرناک شیمیایی که عوارض جانبی زیادی دارند، بهترین درمان را تشخیص دهند.

اساس ریاضیات بازسازی تصویر در رادیولوژی (پزشکی)

در این رساله اساس ریاضی روشهای تصویرسازی توضیح داده می‌شوند، که فرآیند بازسازی توسط کامپیوتر پردازش می‌شود. این روشها بسیار شبیه به فرآیند سیگنال در مهندسی الکترونیک می‌باشند. در مهندسی الکترونیک ، سیگنالهای یک بعدی بیشتر مورد توجه‌اند. در صورتیکه در بازسازی نگاره از سیگنالهای دو بعدی استفاده می‌شود. از این رو دو فصل اول این رساله بیشتر درباره سیگنالهای یک بعدی می‌باشد و فصل سوم به تشریح روشهای بازسازی تصویر می‌پردازد. از روشهای فرایند سیگنال در رادیولوژی به عنوان بازسازی نگاره، استفاده می‌شود. این رساله به سه قسمت مهم: مدلهای سیستم و تبدیلات ، فیلترینگ و بازسازی تصویر تقسیم می‌شود. فصل اول: نشان می‌دهد که چگونه روشهای ریاضی در مسائل رادیولژیکی بکار می‌روند. در این فصل مدلهای سیستم را معرفی و تئوری سیستمهای خطی را توضیح می‌دهیم. در اینجا اثر یک سیستم روی یک سیگنال ورودی و تبدیل آن به یک سیگنال خروجی مورد بررسی قرار گرفته و چند مثال از سیستمهای خطی ارائه می‌شوند. سپس نقش ویژه توابع و اعداد مختلط را در تبدیلات فوریه توضیح می‌دهیم. همچنین در این فصل روشهای آماری در فرایندهای تصادفی و فرایندهای تصادفی در اندازه‌گیری پارازیت در تصویرسازی توضیح داده می‌شوند. تبدیل فوریه روشی برای توضیح سیگنالها برحسب فرکانس می‌باشد، که برای درک عملگرها در سیستمها بسیار مفیدند. لذا خواص تبدیل فوریه برای کاربرد در کامپیوترهای دیجیتال توسط عملگر تبدیل فوریه توضیح داده می‌شود. ارتباط بین تبدیل فوریه و گسستگی تبدیل فوریه به تشریح نمونه‌برداری کمک می‌کند که در فصل دوم تشریح می‌شود. فصل دوم: به تشریح عمل فیلترینگ می‌پردازد. فیلترینگ یا صاف کردن مربوط به اصلاح سیگنالها می‌شود، تا یک تصویر را از پارازیت سیگنالهای ناخواسته صاف کند. فیلترینگ یک قسمت مهم در بازسازی تصویر است از این رو نحوه فیلترینگ سیگنالهای تصادفی که در درک ساختن تصویر مهم می‌باشند مورد بحث قرار می‌گیرند. سپس روشهای جبر خطی و فیلتر تصادفی با هم مقایسه می‌شوند. قسمتی از فصل دوم مربوط به فیلتر وینر (Wiener) می‌باشد که برای درک تصویرسازی در حضور پارازیت بسیار مهم است . فصل سوم: به بررسی ساختن تصویر و کاربردهای رادیولوژیکی می‌پردازد. در این فصل با پنج روش مهم بازسازی نگاره آشنا می‌شویم. بازسازی از نمونه‌برداری فوریه روشی برای NMR است . بازسازی تصویر در حضور پارازیت و بازسازی تصویر در غیاث پارازیت در توموگرافی کامپیوتری مورد استفاده دارند. بازسازی توموگرافی گسیل تک فوتون (SPECT) و بازسازی از نمونه‌های چندگانه در قسمتهای آخر فصل سوم توضیح داده می‌شوند و در انتها به تشریح تصویرسازی با گسیل پوزیترون می‌پردازیم به طور کلی فصلها و قسمتهای این رساله از هم مستقل نمی‌باشند و اغلب به هم وابسته‌اند. تقسیم‌بندی مفصل‌تر فصلها در فهرست مطالب آمده‌اند. این رساله تمام مبانی ریاضیات مورد استفاده در تصویرسازی رادیولوژی را از مفاهیم ساده پایه شروع کرده و سپس آنرا به حوزه ریاضیات پیشرفته مرتبط می‌کند. دانشجویان پزشکی یا رزیدنتهای رادیولوژی یا متخصصین رادیولوژی که بخواهند اساس ریاضی تصویرسازی کامپیوتری را درک کنند بدون اشکال و مراجعه به کتابهای ریاضی دیگر می‌توانند از این رساله استفاده کنند و درک خود را به سطح ریاضیات پیشرفته در این مباحث گسترش دهند

ارتباط علم ریاضیات  با علوم زیستیدانشمندان حوزه علوم دقیق(hard sciences) _ علومی که با قوت ریاضی، فرمول ها و معادلات پشتیبانی می شوند _ به طور سنتی نگاهی تحقیر آمیز به پژوهش ها در سوی دیگر طیف علوم دارند، این نگاه تحقیر آمیز _ در حالی که بودجه های دولتی از فیزیک به زیست شناسی و پزشکی تغییر جهت داده است _ اندکی تغییر کرده است. اما در زمانی که زیست شناسان نشان می دهند که آنها می توانند به همان اندازه همکارانشان در علوم دقیق پژوهش های کمی انجام دهند در حال ناپدید شدن است.یک نمونه از این دگرگونی را می توان در پژوهش ها درباره سرطان مشاهده کرد. به گفته «هانس اوتمر» ریاضیدان دانشگاه مینه سوتا در مینیاپولیس آمریکا که در مقاله ای در شماره آینده «نشریه زیست شناسی ریاضی» به بازبینی این موضوع پرداخته است، درک فرآیندهای میکروسکوپی امکان تکوین الگوهای ریاضی سودمندی از این بیماری را به وجود آورده است.در واقع این زمینه تحقیقاتی در حال شکوفایی است و یک نشریه علمی دیگر، نشریه «سیستم های دینامیکی مداوم و مجزا سری های (Discrete and Continues Dynamical System_Series B) در فوریه سال میلادی جاری شماره ویژه ای را به این موضوع اختصاص داده است.خانم «زیوا آگور» و همکارانش در مؤسسه ریاضیات زیستی پزشکی (Institute for Medical biomathematics) در «بن آتاروث» اسرائیل در مقاله ای در این شماره ویژه الگویی را ارائه می کنند که تلاش می کند چگونگی عمل رگزایی (angiogenesis ) _ فرآیندی که غدد سرطانی به وسیله آن رگ های خونی خودشان را ایجاد می کنند _ را توصیف کند.هنگامی که یک غده یا تومور در ابتدا از یک سلول که به علت جهش ژنتیکی دارای قابلیت تکثیر نامحدود شده است به وجود می آید، در شرایط معمول رشد آن در اندازه ای در حد یک میلی متر محدود می شود. این امر ناشی از آن است که معمولاً رگ های خونی اطراف به درون تومور نفوذ نمی کنند، بنابراین سلول های عمق تومور نمی توانند به مواد مغذی و اکسیژن دست یابند و می میرند. تومورهایی در این اندازه ندرتاً باعث به خطر افتادن سلامتی انسان می شوند و در واقع بسیاری از تومورها در همین اندازه باقی می مانند. اما در برخی از تومورها جهش های ژنتیکی بیشتر امکان تولید شدن مواد شیمیایی به نام عوامل رشد (growth factors) را فراهم می کند که تشکیل عروق خونی درون غده را تحریک می کنند. این فرآیند نه تنها به این علت خطرناک است که امکان رشد تومور و بزرگتر شدن اندازه آن را فراهم می کند، بلکه از این لحاظ هم خطر آفرین است که اکنون سلول های سرطانی می توانند وارد جریان خون شوند، در بدن به گردش درآیند، در مکان دیگر مستقر شوند و به رشد خود ادامه دهند. این پراکنده شدن سلول های سرطانی که باعث تشکیل تومورهای ثانوی می شود «متاستاز» (metastasis) نامیده می شود و در بسیاری از موارد همین متاستازها هستند که مرگ بیمار را موجب می شوند.دکتر آگور به کمک تصویربرداری با تشدید   مغناطیسی یا MRI تومورهایی را که در حال رگزایی بودند مورد بررسی قرار داد و سپس نظامی از معادلات دیفرانسیل را برای شبیه سازی آنچه که می دید ترتیب داد. معادلات دیفرانسیل سرعت تغییر یک متغیر (مثلاً میزان عامل رشد تولید شده) را به مقدار فعلی آن و در مواردی به مقدار آن در گذشته ربط می دهند و این معادلات تقریباً اساس الگوهای ریاضی سرطان هستند؛ الگوهایی که معمولاً متشکل از مجموعه ای از معادلات دیفرانسیل «همزمان»، هر کدام در مورد یک متغیر، هستند که نتایج هر کدام وارد معادله بعدی می شود. حل کردن چنین نظام هایی از معادلات مشکل است؛ در واقع تنها به ندرت ممکن است راه حل دقیق آنها را یافت. در عوض پژوهشگران به شبیه سازی های عددی یا در موارد دیگر به توصیف تحلیلی شکل تقریبی راه حل تکیه می کنند. در معادله های دکترآگور متغیرها شامل تعداد سلول ها در تومور، غلظت عوامل رشد رگزایی درون آن و حجم عروقی خونی حمایت کننده از آن هستند. نتایج بررسی های این گروه پژوهشی آن بود که شرایطی وجود دارد که در آن اندازه یک تومور، به جای رشد مداوم، نوسان می کند. به عبارت دیگر رشد تومور مهار می شود. اگر مشابه چنین وضعیتی را بتوان در شرایط واقعی به وجود آورد، شیوه نیرومندی برای کنترل کردن رشد تومور به دست می آید.جلوگیری کردن از رگزایی مانع انتشار تومور خواهد شد. اما اگر تومور در حدی پیشرفت کرده باشد که این کار ممکن نباشد روش های متفاوتی برای مقابله با آن به کار گرفته می شود. در گذشته تنها سه راه برای درمان سرطان موجود بود. اولین راه برداشتن سلول های سرطانی به وسیله جراحی بود. دومین راه درمان کردن سرطان به وسیله مواد شیمیایی بود که رشد سلول های سرطانی را مهار می کردند یا آنها را می کشتند. و بالاخره سومین راه متلاشی کردن این سلول ها به وسیله اشعه یونیزه کننده یا گرما بود. در چند سال گذشته روش چهارمی تکوین یافته است. این راه جدید تحریک کردن دستگاه ایمنی بدن است. از آنجایی که سلول های سرطانی حاوی جهش های ژنتیکی هستند، پروتئین هایی تولید می کنند که برای دستگاه ایمنی بدن «بیگانه» محسوب می شوند. دستگاه ایمنی برای حمله به چنین سلول هایی طراحی شده است و در واقع اغلب خود به خود به آنها حمله می کند. اما گاهی برای به کار انداختن دستگاه ایمنی نیاز به یک عامل کمکی به صورت یک تحریک خارجی مثلاً یک دارو وجود دارد.از آنجایی که ایمنی درمانی (immunotherapy) سرطان هنوز مراحل ابتدایی خود را طی می کند، امکانات درمانی این روش و رفتار سلول های سرطانی هنگام تعامل با دستگاه ایمنی کاملاً درک نشده است. این وضع سبب می شود که این حوزه به خصوص زمینه ای بارور برای الگوسازی ریاضی فراهم کند.خانم «دنیس کیرشنر» از دانشگاه میشیگان در «آن آربور» آمریکا در یکی دیگر از مقالات آن شماره ویژه بررسی هایش در مورد یک شیوه درمان جدید سرطان با نام درمان با RNA کوچک مداخله کننده (siRNA) small interfering RNA را توصیف میکند. این شیوه درمانی عمل مولکولی را به نام «عامل رشد تغییر شکل دهنده بتاTGF _beta مهار می کند که تومورهای بزرگ برای گریز از دستگاه ایمنی از آن استفاده می کنند.معادله های مدل دکتر کیرشنر چهار کمیت را توصیف می کنند: تعداد «سلول های تأثیر کننده effecter cells دستگاه ایمنی (سلول هایی که با تومور مقابله می کنند)، تعداد سلول های تومور، میزان انیترلوکین-۲ (پروتئینی که توانایی بدن را در مبارزه با سرطان تشدید می کند) و متغیر دیگری که مربوط به اثرات TGF _beta می شود. در حال حاضر درمان با siRNA تنها در محیط آزمایشگاهی و بر روی کشت های سلولی امتحان شده است؛ بنابراین شبیه سازی ریاضی دکتر کیرشنر می تواند راه سریعی برای تصمیم گرفتن در این مورد باشد که آیا استفاده کردن از این روش ارزش دنبال کردن را در تجربیات حیوانی واقعی دارد یا نه. کیرشنر در مقاله اش ادعا می کند که این روش نتایج امیدبخشی داشته است. دراین الگو، یک دوز روزانه از siRNA در طول یک دوره متوالی ۱۱ روزه در خنثی کردن اثرات TGF _beta موفق بود و بنابراین دستگاه ایمنی را قادر کرد تا تومور را تحت کنترل در آورد، گرچه در حذف کردن کامل تومور موفق نبود.گرچه تحقیقات آگور و کیرشنر امیدبخش هستند اما همه الگوهای ریاضی مورد بحث قرار گرفته در مورد سرطان مانند آنها انتزاعی نیستند. «پپ چاروستانی» و همکارانش در دانشگاه کالیفرنیا در لوس آنجلس به بررسی چگونگی اثر دارویی به نام «گلیوک» (gleevec) بر ضد یک نوع سرطان خون به نام لوسمی میلوئیدی مزمن پرداخته اند.داروی گلیوک، با مانع شدن از فسفریلاسیون پروتئینی به نام Bcr-Abl عمل می کند که برای رشد سلول های سرطانی ضروری است. فسفریلاسیون یک فرآیند انتقال انرژی است. انرژی مورد نیاز از مولکولی به نام ATP (آدنوزین تری فسفات) که نتیجه نهایی فرآیند تنفس سلولی است به دست می آید. از آنجایی که این مدل به سرطانی خاص و دارویی خاص متمرکز است، نسبت به سایر بررسی ها مشروح تر و دارای جزئیات

تحقیق درباره ریاضی کاربردی 13 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 13

ریاضی کاربردی

ریاضیات کاربردی و علوم کامپیوتر

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

ما این شبکه های عصبی را با تلاش اولیه در جهت یافتن خصوصیات اساسی سلول های عصبی و اتصالات آنها ، هدایت می کنیم. سپس بطور معمول یک کامپیوتر را برای شبیه سازی این خصوصیات برنامه ریزی می کنیم .اگر چه بدلیل اینکه دانش ما از سلول های عصبی ناقص است و قدرت محاسبات ما محدود است ، مدل های ما لزوما آرمان های خام و ناقصی از شبکه های واقعی سلول های عصبی است .

یک روش مهندسی

یک سلول عصبی ساده

یک سلول عصبی مصنوعی دستگاهی است با تعداد زیادی ورودی و یک خروجی . سلول عصبی دو گونه عمل دارد ; حالت یادگیری پرورشی و حالت کاربردی . در حالت یادگیری سلول می آموزد که برای حالت خاصی فعال و بر انگسخته شود ( یا برای همان حالت بر انگیخته نشود). و در حالت کاربردی و استفاده وقتی الگوی ورودی آموزش یافته ای در ورودی شناسایی شود خروجی مرتبط با آن خروجی کنونی سلول می شود . اگر الگوی ورودی به لیست الگو های ورودی ای کا از پیش به سلول آموزش داده شده نباشد ، قوانین فعال سازی سلول خروجی سلول را تعیین می کند که آیا فعال کننده باشد یا نه.

قوانین فعال سازی

قانون فعال سازی مفهوم مهمی در شبکه های عصبی است و مسئول انعطاف پذیری بالای دستگاه می باشد . قانون فعال سازی تعیین میکند که چگونه یک واحد محاسبه کند که آیا یک سلول عصبی باید برای هر الگوی ورودی واکنش فعال سازی را انجام دهد. این قانون برای کلیه الگو ها شرح داده می شود نه فقط برای آنهایی که گره عصبی برایش پرورش یافته است.

یک قانون فعال سازی ساده بوسیله تکنیک فاصله Hamming قابل اجرا است قواننین به صورت زیر اجرا میشود:

یک مجموعه از الگو های آموزشی را برای یک گره عصبی انجام دهید، تعدادی از این الگوها سبب فعالسازی (مجموعه الگوهای آموزشی با حاصل 1) و باقی که از فعالیت آن جلوگیری می کنند (مجموعه الگوهای آموزشی با حاصل0 ) سپس الگو های خارج از مجموعه ای سبب فعال سازی گره عصبی می شوند که عناصر مشترک بیشتری با نزدیکترین الگو در مجموعه آموزشی 1 دارند تا با نزدیکترین الگو در مجموعه آموزشی 0 . اگر در این بین گرهای وجود داشته باشد الگوی مورد نظر در وضعیت غیر تعریف شده باقی می مانند.

بعنوان مثال ، یک سلول عصبی با 3 ورودی در نظر بگیرید که آموزش یافته تا خروجی 1 را زمانی بدهد که ورودی (x1 ،x2 وx3) 111 یا 101 است و خروجی 0 را زمانی داشته باشد که ورودی 000و001 است. پس قبل از اعمال قانون فعال سازی ، جدول درستی به صورت زیر است:

X1:

0

0

0

0

1

1

1

1

X2:

0

0

1

1

0

0

1

1

X3:

0

1

0

1

0

1

0

1

OUT:

0

0

0/1

0/1

0/1

1

0/1

1

010 را بعنوان مثالی که در آن قوانین فعال سازی اعمال می شود در نظر بگیرید. این ورودی با ورودی 000 در یک عنصر و با ورودی001 در دو عنصر متفاوت است ، با 101 در سه عنصر وبا 111 در دو عنصر متفاوت است . بنابر این نزدیکترین الگو به آن 000 است که به الگوهای آموزشی با حاصل0 تعلق دارد . در نتیجه قوانین فعال سازی لازم می داند زمانی که ورودی 001 است تا سلول عصبی فعالیتی نکند . از طرف دیگر ، 011 در فاصله ای برابر بین در دسته الگو های آموزشی است که دارای خروجی های متفاوتی هستند بنابراین خروجی این الگو بدون تعریف می ماند (1/0).

با اعمال قوانین فعال سازی تمام ستون های جدول درستی زیر به دست آمده است:

X1:

0

0

0

0

1

1

1

1

X2:

0

0

1

1

0

0

1

1

X3:

0

1

0

1

0

1

0

1

OUT:

0

0

0

0/1

0/1

1

1

1

تفاوت بین دو جدول عمومیت دادن سلول عصبی نامیده می شود بنابر این قوانین فعالسازی به سلول عصبی حس تشخیص شباهت ها را می دهد و آنها را قادر می کند تا هوشمندانه به الگو هایی که در طول تمرین آنها را ندیده اند جواب بدهد.

الگوشناسی- یک مثال

یکی از کاربردهای شبکه های عصبی تشخیص الگو است.الگوشناسی با استفاده از شبکه های عصبی که ازپیش (مانند شکل 1) تغذیه شده اند و مطابق با موضوع پرورش یافته اند قابل اجرا است.وقتی از شبکه استفاده می کنیم خودش الگو های ورودی را شناسایی می کند و سعی می کند تا خروجی متناسب با آن الگو را بدهد . توان شبکه های عصبی زمانی خودش را نشان می دهد که الگویی به عنوان ورودی به آن داده شود که از قبل خروجی مرتبط با آن را نداشته ، در یان وضعیت خروجی متناسب است با یک الگوی ورودی که داری حداقل اختلاف با الگوی داده شده است.

بعنوان مثال:

شبکه عصبی در شکل 1 برای شناسایی الگوهای حروف T وH آموزش داده شده اند.همانگونه که شکل نشان می دهد الگوهای مرتبط بترتیب تماما سیاه و تماما سفید هستند .

اگر ما مربع های سیاه را با 0 و مربع های سفید را با با 1 نمایش دهیم بنابراین جدول درستی برای سه سلول عصبی بعد از عمومیت دادن (با قانون فعال سازی ) به صورت زیر است.

X11:

0

0

0

0

1

1

1

1

X12:

0

0

1

1

0

0

1

1

X13:

0

1

0

1

0

1

0

1

OUT:

0

0

1

1

0

0

1

1

خروجی سلول بالایی

X21:

0

0

0

0

1

1

1

1

X22:

0

0

1

1

0

0

1

1

X23:

0

1

0

1

0

1

0

1

OUT:

1

0/1

1

0/1

0/1

0

0/1

0

خروجی سلول میانی

X21:

0

0

0

0

1

1

1

1

X22:

0

0

1

1

0

0

1

1

X23:

0

1

0

1

0

1

0

1

OUT:

1

0

1

1

0

0

1

0

خروجی سلول پایینی

می توان موضوعات تداعی شده زیر را از جداول بالا است استخراج کرد.