fa رویکردهای یادگیری ماشین در داده‌های بیان‌ژنی با ابعاد بالا: پیش‌بینی تولید ریبوفلاوین با رگرسیون ریج و بردار پشتیبان آمار کاربردی Applied Statistics پژوهشی بنیادی Research <pre dir="rtl"> با پیشرفت علوم زیستی و فناوری‌های نوین، داده‌های با ابعاد بالا که در آن‌ها تعداد متغیرهای مستقل از تعداد مشاهدات بیشتر است، در حوزه‌های مختلف گسترش یافته‌اند. داده‌های بیان‌ژنی مرتبط با تولید ریبوفلاوین یا ویتامین $B_2$ نمونه‌ای از این داده‌ها هستند. وجود تعداد زیاد متغیرها و همخطی میان آن‌ها، استفاده از روش‌های رگرسیونی کلاسیک را با چالش مواجه می‌سازد. ازاین‌رو، روش‌های منظم‌سازی و کاهش ابعاد مانند رگرسیون ریج، لاسو، الاستیک نت و کمترین مربعات جزئی، به‌منظور افزایش پایداری مدل و بهبود پیش‌بینی توسعه یافته‌اند. همچنین، روش‌های یادگیری ماشین مانند ماشین‌های بردار پشتیبان و رگرسیون بردار پشتیبان با توانایی مدل‌سازی روابط پیچیده و غیرخطی، در تحلیل داده‌های با ابعاد بالا کاربرد گسترده‌ای یافته‌اند. در این پژوهش، روش‌های رگرسیونی و یادگیری ماشین شامل ریج، لاسو، الاستیک نت، PLS ،SVM و SVR&nbsp;بر روی داده‌های واقعی و شبیه‌سازی‌شده بررسی می‌شوند تا عملکرد آن‌ها ارزیابی گردد. </pre> <pre> &lrm;With the advancement of biological sciences and modern technologies&lrm;, &lrm;high-dimensional data&lrm;, &lrm;in which the number of independent variables exceeds the number of observations&lrm;, &lrm;have become increasingly prevalent in various fields&lrm;. &lrm;Gene expression data associated with riboflavin or vitamin $B_2$ production represent an important example of such datasets&lrm;. &lrm;Riboflavin&lrm;, &lrm;as an essential micronutrient&lrm;, &lrm;plays a crucial role in metabolic reactions and vital biological processes through its coenzyme forms&lrm;, &lrm;$mathit{FAD}$ and $mathit{FMN}$&lrm;. &lrm;Therefore&lrm;, &lrm;the biological production of this vitamin using microorganisms as a sustainable and economical approach has gained considerable importance in the food&lrm;, &lrm;pharmaceutical&lrm;, &lrm;and animal feed industries&lrm;. &lrm;The presence of a large number of variables and multicollinearity among them presents major obstacles to classical regression methods&lrm;. &lrm;Consequently&lrm;, &lrm;regularisation and dimensionality reduction approaches&lrm;, &lrm;including Ridge regression&lrm;, &lrm;Lasso&lrm;, &lrm;Elastic Net and Partial Least Squares (PLS)&lrm;, &lrm;have been developed to improve model stability and predictive performance&lrm;. &lrm;Moreover&lrm;, &lrm;machine learning methods such as Support Vector Machines (SVM) and Support Vector Regression (SVR) have been widely applied in high-dimensional data analysis due to their ability to capture complex and nonlinear relationships&lrm;. &lrm;In this study&lrm;, &lrm;regression and machine learning methods&lrm;, &lrm;including Ridge&lrm;, &lrm;Lasso&lrm;, &lrm;Elastic Net&lrm;, &lrm;PLS&lrm;, &lrm;SVM&lrm;, &lrm;and SVR&lrm;, &lrm;are implemented and compared using real riboflavin production data and simulated datasets to evaluate their performance in handling multicollinearity&lrm;, &lrm;dimensionality reduction&lrm;, &lrm;and prediction of production levels.}</pre> اعتبارسنجی متقابل تعمیم‌یافته, داده‌های با ابعاد بالا, رگرسیون ریج, رگرسیون بردار پشتیبان, ماشین‌های بردار پشتیبان Generalized Cross-Validation, Ridge Regression, Support Vector Machines, Support Vector Regression 0 0 http://jss.irstat.ir/browse.php?a_code=A-10-835-8&slc_lang=fa&sid=1 Arash Ameri آرش عامری arashameri4696@gmail.com 10031947532846009408 0009-0005-7726-0147 No semnan university دانشگاه سمنان Mahdi Roozbeh مهدی روزبه mahdi.roozbeh@semnan.ac.ir 3932813111 10031947532846009409 Yes semnan university دانشگاه سمنان