دریافت گرنت توبیتاک ترکیه برای طرح پژوهشی آقای دکتر  اسماعیل نورانی
طرح پژوهشی آقای دکتر اسماعیل نورانی عضو هیئت علمی دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه شهید مدنی آذربایجان با عنوان «پیش بینی تعاملهای بین پروتئینی عاملهای بیماری زا با میزبان بر مبنای یادگیری انتقالی عمیق» در بین 22 طرح برگزیده اولین فراخوان طرح های پژوهشی ایران و ترکیه، قرار گرفت و گرنت توبیتاک ترکیه دریافت نمود.

دکتر نورانی در خصوص این طرح تشریح کردند: امروزه افزایش مقاومت در مقابل آنتی بیوتیک ها به یک چالش حیاتی تبدیل شده و ارائه راهبردهای جدید برای درمان بیماریهای واگیردار را ضروری ساخته است. شناخت و دانش جامع در خصوص نحوه تعامل عوامل بیماری زا با میزبان یک گام اساسی در طراحی داروهای موثر به شمار می آید. این دانش در دو صورت میتواند مورد بهره برداری قرار گیرد: برای کاهش میزان واگیری یا برای افزایش قدرت سیستم ایمنی. در هر دو حالت، پیش بینی تعاملات کلیدی بین عامل بیماری زا و میزبان میتواند موجب تسریع طراحی دارو یا طراحی واکسن شود.

روشهای آزمایشگاهی برای کشف تعاملات بین پروتئینی میزبان و عامل بیماری زا بسیار زمانبر و پر هزینه هست. با فرض اینکه بیش از 20000 پروتئین در بدن انسان وجود دارد و ممکن از چندین هزار پروتئین نیز در طرف مقابل وجود داشته باشد، تمام ارتباطات بالقوه بالغ بر چندین میلیون خواهد بود که تست همه آنها در آزمایشگاه خارج از تصوراست. در چنین شرایطی روشهای محاسباتی به کمک روشهای آزمایشگاهی آمده و از بین تمام گزینه های ممکن محتمل ترین ارتباطات را تشخیص داده و در اختیار محققین آزمایشگاهی قرار میدهد که از این طریق زمان و هزینه طراحی دارو یا واکسن به شدت کاهش می یابد  این همان هدفی هست که علم بیوانفورماتیک بعنوان یک علم نوپا به دنبال آن است.
در این پروژه از راهکار یادگیری انتقالی بهره خواهیم برد تا از حوزه های مشابهی که داده های عظیمی در دسترس داریم برای افزایش دقت پیش بینی این تعاملات بهره ببریم. ابتدا به کمک شبکه های پایه به مدلسازی حوزه مشابه می پردازیم که داده های فراوانی در اختیار داریم و سپس دانش کسب شده از این داده ها به حوزه هدف این پروژه یعنی تعامل بین عوامل بیماری و میزبان، جهت افزایش دقت، انتقال داده خواهد شد.
شکل زیر به صورت نمادین بیماری زایی ویروس یا باکتری در میزبانهای مشترک شامل انسان، گیاه و حیوانات را به تصویر می کشد.

اهمیت انتقال دانش برای درک رفتار عوامل بیماری زای جدید امروزه بیش از هر زمان دیگری نمایان میشود. با شیوع مرگبار ویروس هایی که شناخت کمی نسبت به آنها داریم، از طریق بهره گیری از روشهای نوین یادگیری انتقالی میتوان حتی با داشتن داده های کم و با تزریق دانش مشابه از ویروس های هم خانواده مدلسازی کاملتری از رفتار ویروس های جدید ارائه داد.

این طرح تحقیقاتی در 5 بسته کاری محقق خواهد شد. ابتدا با فاز گردآوری داده و پیش پردازش آنها شروع کرده و سپس به طراحی شبکه برای حوزه‌ی مرجع یا پایه می پردازیم. در مرحله سوم که بسیار مهم و تعیین کننده است به طراحی راهبردی برای انتقال دانش می پردازیم و طی آن مشخص خواهد شد که چه دانشی و چگونه از شبکه مرجع انتقال داده خواهد شد. گام چهارم پیاده سازی کننده معماری شبکه عمیق نوینی خواهد بود که در عین حالی که دانش انتقالی را دریافت میکند، به صورت همزمان داده های جدید اصلی را دریافت کرده و به پیش بینی تعامل می پردازد. مرحله نهایی به انجام آزمایشات گسترده اختصاص دارد که طی آن، کارایی راهکار پیشنهادی در مقایسه با بهترین و جدیدترین روش های موجود مورد بررسی قرار خواهد گرفت.