การพัฒนาการเรียนรู้เชิงลึกสำหรับการทำนายการเสริมฤทธิ์ของยาคู่ผสมโรคมะเร็งโดยการประยุกต์ใช้ฟัซซี่ฟังก์ชัน
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
ปัณณวิชญ์ วรภาสไพบูลย์, ภัคพิพัฒน์ เอี่ยมพงษ์ไพฑูรย์, วชิรภัทร อินทรชาติ
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
ศิริพร ศักดิ์บุญญารัตน์, สาโรจน์ บุญเส็ง
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
โครงการนี้มีวัตถุประสงค์เพื่อพัฒนารูปแบบการเรียนรู้เชิงลึกเพื่อทำนายประสิทธิภาพของการผสมยาในการรักษาโรคมะเร็ง ด้วยการคาดการณ์ผลเสริมฤทธิ์กันของการผสมยา แบบจำลองนี้จะช่วยให้ผู้เชี่ยวชาญสามารถสำรวจและวิจัยการผสมผสานยาที่มีประสิทธิภาพมากขึ้นสำหรับการรักษามะเร็งเฉพาะรายบุคคล นอกจากนี้ ยังมีเป้าหมายเพื่อลดต้นทุนและเวลาที่เกี่ยวข้องกับการค้นพบยาผสมใหม่ๆ ซึ่งนำไปสู่การพัฒนาวิธีการรักษาที่มีประสิทธิภาพมากขึ้น โดยโมเดล SynFF เป็นฟังก์ชันฟัซซี่ที่ได้รับแรงบันดาลใจจากโมเดลการเรียนรู้เชิงลึกที่ผสานรวมฟังก์ชันการเป็นสมาชิกและฐานกฎโดยพิจารณา Tanaimoto Molecular Similarity และดัชนีเชิงเส้นจากความสนใจของน้ำหนักในตัวถดถอยเชิงเส้นเป็นอินพุต ในขณะที่วิธีดั้งเดิมใช้ลายนิ้วมือระดับโมเลกุล (Molecular Fingerprint) แบบจำลองนี้ได้รับการฝึกอบรมและทดสอบโดยใช้ข้อมูลเซลล์ไลน์ UACC62 ในเนื้อเยื่อผิวหนังเป็นตัวอย่าง ประสิทธิภาพของแบบจำลองได้รับการประเมินและเปรียบเทียบกับวิธีการเรียนรู้ของเครื่องอื่นๆ เช่น Elastic Net, Gradient Boosting Regressor และ Random Forest Regressor โดยค่า Root Mean Squared Error (RMSE) และ Mean Squared Error (MSE) โดย SynFF สามารถทำนายคะแนนการทำงานร่วมกันของการผสมยาสำหรับสายเซลล์มะเร็งด้วยความแม่นยำต่ำเมื่อเปรียบเทียบกับวิธีอื่น ๆ เช่น Elastic Net, Gradient Boosting Regressor และ Random Forest Regressor ที่ MSE 1735.16 และ RMSE 41.66 โดยสรุป SynFF ควรพิจารณาเสริมสร้างฐานกฎและความเป็นสมาชิกในฟังก์ชัน Fuzzy เพื่อเป็นทางเลือกในการทำนายคะแนนการทำงานร่วมกันของการผสมยาในอนาคต