لیلا عینی، نگار نقاش، باقر لاریجانی ، جعفر آی، کیوان مجیدزاده، اسماعیل صدرالدینی، کبری امیدفر،
دوره 13، شماره 2 - ( 10-1392 )
چکیده
مقدمه: سلول‌های بنیادی مزانشیمی به‌عنوان یک منبع مهم سلول‌های بنیادی بالغ کاربرد فراوانی در مهندسی بافت و سلول درمانی پیدا کرده‌اند. این سلول‌ها پتانسیل تبدیل به انواع بافت‌های دیگر را داشته و در اغلب بافت‌های بدن از جمله اندومتر به‌عنوان سلول‌های حمایتی وجود دارند. با توجه به جایگاه آناتومیکی سلول‌های بنیادی اندومتر که آنان را در مواجه با جنین قرار می‌دهد تصور می‌شود این سلول‌ها عامل تولید فاکتورهای مهار ایمنی در طول زمان بارداری جهت تحمل جنین باشند. در تحقیق حاضر پتانسیل خاصیت مهارکنندگی سلول‌های مزانشیمی اندومتر مورد بررسی قرار گرفته است.
روش‌ها: جمعیت سلول‌های مزانشیمی مغز استخوان و اندومتر کشت داده شده با تراکم حدود 105× 2 سلول در هر میلی‌لیتر در مجاورت اینترفرون گاما با مقادیر IU/ml 100 وIU/ml 500 تیمار شدند و پس از گذشت 72 ساعت بیان ایندول آمین 2 و 3 دی اکسی ژناز (IDO ) با استفاده از روش‌های ایمنوسیتو شیمی و Real Time PCR بررسی شد.
یافته‌ها: داده‌های مطالعه حاضر نشان داد که بیان ایندول آمین 2و3 دی اکسیژناز در این سلول‌ها در مواجهه با اینترفرون گاما نسبت به حالت بدون مواجهه به‌صورت معنی‌داری افزایش داشته است و این مـیزان افزایشـی بیان IDO ((p=0.001 در سـلول‌های مزانشیمی اندومتر در مقایسه با سلول‌های بنیادی مغز استخوان نیز بیشتر بود.
نتیجه‌گیری: اختلاف افزایشی بیان IDO در سلول‌های بنیادی مزانشیمی اندومتر در مقایسه با سلول‌های بنیادی مغز استخوان می‌تواند اشاره به پتانسیل بالای سلول‌های بنیادی اندومتر در مهار سیستم ایمنی در هنگام پیوند داشته باشد و این سلول‌ها را به‌عنوان کاندیدای مناسبی در سلول درمانی مطرح می‌نماید.
آسیه خسروانیان، سعید آیت،
دوره 18، شماره 2 - ( 11-1397 )
چکیده
مقدمه: تشخیص زودهنگام بیماری دیابت به‌منظور جلوگیری از عوارض و آسیب‌های ناشی از این بیماری امری حیاتی است. هدف از این مقاله طراحی یک سیستم هوشمند در دسته‌بندی افراد مبتلا به دیابت، با روش رگرسیون مبتنی بر شبکه عصبی پرسپترون چندلایه است.
روش‌ها: در این مطالعه‌ی توصیفی- تحلیلی یک سیستم هوشمند برای دسته‌بندی افراد به دو دسته سالم و مبتلا به بیماری دیابت طراحی‌شده است. سیستم طراحی‌شده با استفاده از نرم‌افزار MATLAB نسخه‌ی 2015 (197613/0/5/8) شبیه‌سازی‌شده است. مجموعه داده مورد استفاده در این پژوهش، مجموعه داده معیار PID موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل 768 رکورد از زنان هندی و 8 فاکتور تشخیصی برای بیماری دیابت است.
یافته‌ها: داده‌های این مجموعه پس از پیش‌پردازش به‌صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده‌های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده‌ها برای مرحله‌ی آموزش و 10 درصد باقی‌مانده برای مرحله‌ی آزمون استفاده شد. نتایج حاصل در بهترین حالت براساس شاخص‌های حساسیت، اختصاصیت، صحت و دقت در دسته‌بندی افراد، به‌ترتیب معادل اعداد 4815/0، 9804/0، 8077/0، 9286/0 به‌دست آمد.
نتیجه‌گیری: نتایج به‌دست‌آمده برتری سیستم هوشمند طراحی‌شده در دسته‌بندی افراد به دو دسته سالم و بیمار را نسبت به سایر روش‌های پیاده‌سازی شده بر این مجموعه داده تأئید می‌کند. استفاده از شبکه عصبی پرسپترون چندلایه برای تقریب تابع، موجب افزایش دقت سیستم پیشنهادی شده است.
