محمود صادقی؛ مسعود یاورمنش؛ مصطفی شهیدی نوقابی
چکیده
در میان مواد غذایی که می‌تواند به‌صورت بالقوه ناقل ویروس‌های بیماری‌زا باشد، شیر خام قرار دارد. بر همین اساس نحوه قرارگیری ویروس‌های بیماری‌زا در شیرخام به‌شدت وابسته به حضور ترکیبات شیر بوده و دستیابی به هرگونه روش جهت استخراج و بازیافت ویروس‌ها و ژنوم آن‌ها از شیر خام وابسته به شناسایی رفتار دقیق این ترکیبات در برابر ویروس‌ها ...
بیشتر
در میان مواد غذایی که می‌تواند به‌صورت بالقوه ناقل ویروس‌های بیماری‌زا باشد، شیر خام قرار دارد. بر همین اساس نحوه قرارگیری ویروس‌های بیماری‌زا در شیرخام به‌شدت وابسته به حضور ترکیبات شیر بوده و دستیابی به هرگونه روش جهت استخراج و بازیافت ویروس‌ها و ژنوم آن‌ها از شیر خام وابسته به شناسایی رفتار دقیق این ترکیبات در برابر ویروس‌ها می‌باشد. از روش‌های قابل‌استفاده در تخمین و پیش‌بینی بازیافت ویروس می‌توان از شبکه عصبی مصنوعی یا استنتاج فازی-عصبی تطابقی (ANFIS) نام برد. در این تحقیق مدل‌سازی‌های جعبه سیاه به‌نام مدل‌سازی شبکه‌های عصبی مصنوعی به‌همراه استنتاج فازی-عصبی تطابقی (ANFIS) به‌منظور پیش‌بینی اثر اجزاء موجود در شیر خام بر بازیافت و استخراج ژنوم ویروسی به‌کار گرفته شده است. همچنین درصد داده‌های مورداستفاده برای تربیت، ارزیابی و آزمون شبکه عصبی، تعداد لایه‌های پنهان، تعداد نرون، نوع تابع انتقال و نوع قانون یادگیری و دیگر پارامترهای مؤثر بر شبکه به‌عنوان متغیرهای شبکه در نظر گرفته شد. درنهایت براساس داده‌های حاصل از مدل‌سازی، شبکه‌ای با کمترین خطا و بالاترین ضریب همبستگی انتخاب و گزارش گردید. براساس این تحقیق در شبکه عصبی مصنوعی مدل تلقیح‌شده با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب هبستگی 919/0r= و مدل (تلقیح‌نشده –تلقیح‌شده) با تابع انتقال سیگموئید خطی و الگوریتم یادگیری لونبرگ با ضریب همبستگی 956/0 r= انتخاب شد. همچنین در استنتاج فازی-عصبی تطابقی (ANFIS) تابع عضویت گاوسی و مدل فازی TSK برای هر دو مدل تلقیح‌شده و (تلقیح‌نشده-تلقیح‌شده) انتخاب وسپس در مدل تلقیح‌شده تابع انتقال تانژانت هایپربولیک اکسون خطی و قاعده یادگیری مومنتوم با 879/0 r= و در مدل (تلقیح‌نشده- تلقیح‌شده) تابع انتقال اکسون خطی و الگوریتم یادگیری Step با 889/0 r= به‌عنوان بهترین مدل برای پیش‌بینی بازیافت و استخراج ژنوم ویروس معرفی شد.
