গ্রাফ নিউরাল নেটওয়ার্ক-ভিত্তিক এনসেম্বল প্রেডিকটিং মডেল ব্যবহার করে HIV-1/HBV কয়েনফেকশন সঠিক মাল্টিটার্গেট ভবিষ্যদ্বাণী Ⅲ

3. আলোচনা

বিশ্বব্যাপী আনুমানিক 2 বিলিয়ন মানুষ হেপাটাইটিস বি ভাইরাস (HBV) দ্বারা সংক্রামিত হয়েছে, যাদের মধ্যে 350 মিলিয়নেরও বেশি ভুগছেনদীর্ঘস্থায়ী সংক্রমণ,এবং 500 এর মধ্যে,000এবং প্রতি বছর 700,000 মানুষ এইচবিভি সংক্রমণে মারা যায়। উপরন্তু, 2019 সাল পর্যন্ত, বিশ্বব্যাপী আনুমানিক 38 মিলিয়ন মানুষ এইচআইভিতে বসবাস করছে, যার মধ্যে 15 বছরের কম বয়সী 1.8 মিলিয়ন শিশু রয়েছে। 2019 সালে, বিশ্বব্যাপী প্রায় 690,000 মানুষ এইডস-সম্পর্কিত অসুস্থতায় মারা গেছে। এইচআইভি এবং এইচবিভি, দুটি রক্তবাহিত ভাইরাসের অনুরূপ সংক্রমণ রুটের কারণে, সংক্রমনের উচ্চ ঘটনা বিশ্বব্যাপী প্রধান স্বাস্থ্য সমস্যার দিকে পরিচালিত করে। এই ভাইরাসগুলির একক সংক্রমণের বিপরীতে, সংক্রমনের ফলে লিভার-সম্পর্কিত বিভিন্ন রোগ, নন-লিভার অঙ্গের কর্মহীনতা এবং মৃত্যু হতে পারে। অ্যান্টিভাইরাল ওষুধের পার্শ্বপ্রতিক্রিয়ার কারণে সংক্রামিত রোগীদের চিকিত্সা জটিল, যার ফলে ওষুধের প্রতিরোধ ক্ষমতা, লিভারের বিষাক্ততা এবং কার্যকর প্রতিক্রিয়ার অভাব হয়। অধিকন্তু, সংক্রামিত ব্যক্তিদের একই সময়ে একাধিক ওষুধের সাথে চিকিত্সা করা উচিত, যার ফলাফল হয়জটিল রোগ নির্ণয়, চিকিত্সা, এবংএইচআইভি এবং এইচবিভি নিয়ন্ত্রণcoinfections অতএব, গবেষণা এবং উন্নয়নঅভিনব ওষুধসঙ্গেএকাধিক লক্ষ্য একটি জরুরী সমস্যা. 

সংক্রমণ প্রতিরোধের জন্য সিস্টানচে জানতে এখানে ক্লিক করুন

যাইহোক, প্রার্থীর ওষুধ স্ক্রীন করার জন্য পরীক্ষা-নিরীক্ষা ব্যবহার করে ঐতিহ্যগত ওষুধ আবিষ্কার পদ্ধতি ব্যয়বহুল এবং সময়সাপেক্ষ। মেশিন লার্নিং এবং ডিপ লার্নিং অ্যালগরিদমগুলির বিকাশের সাথে, ভার্চুয়াল স্ক্রীনিংয়ে দ্রুত উদ্ভাবনগুলি উপলব্ধি করা হয়েছে। বড় আকারের যৌগ স্ক্রীনিংয়ের জন্য মেশিন লার্নিং মডেলগুলির প্রয়োগের জন্য সবচেয়ে গুরুত্বপূর্ণ পদ্ধতিগুলির মধ্যে একটি হল আণবিক বৈশিষ্ট্য নিষ্কাশন। গ্রাফ নিউরাল নেটওয়ার্ক (GNNs) অণুর স্থানিক গ্রাফ কাঠামোর জন্য তাদের প্রতিনিধিত্ব করার ক্ষমতার কারণে ইন্টারঅ্যাটম সংযোগ শেখার জন্য সাফল্যের সূচনা করেছে।

এই গবেষণায়, আমরা এই নিউরাল নেটওয়ার্কগুলির আউটপুট স্তরগুলিকে একটি সর্বোত্তম তত্ত্বাবধানে শেখার অ্যালগরিদম, GBDT দিয়ে প্রতিস্থাপন করে আণবিক বৈশিষ্ট্যগুলি বের করার ক্ষমতার জন্য তিনটি ধরণের গ্রাফ নিউরাল নেটওয়ার্কের তুলনা করেছি। 12টি বাইনারি ক্লাসিফায়ারের সমন্বয়ের ভিত্তিতে এইচআইভি-1/HBV মাল্টিটার্গেট ফিশিং-এর জন্য ডিএমপিএনএন প্লাস জিবিডিটি মডেলটি নির্বাচন করা হয়েছে। প্রুফ-অফ-প্রিন্সিপল স্টাডি প্রমাণ করেছে যে DMPNN এবং GBDT-এর একীকরণ একক মেশিন লার্নিং বা একক নিউরাল নেটওয়ার্ক অ্যালগরিদমের তুলনায় HIV-1 এবং HBV লক্ষ্য সম্পর্কিত ভবিষ্যদ্বাণী কার্যক্ষমতাকে দক্ষতার সাথে উন্নত করতে পারে। অধিকন্তু, 22টি অনুমোদিত এইচআইভি-1 ওষুধ এবং 8টি অনুমোদিত এইচবিভি ওষুধের সম্ভাব্য মাল্টিটার্গেট রয়েছে বলে ভবিষ্যদ্বাণী করা হয়েছিল, যার মধ্যে 8টি রেফারেন্স দ্বারা যাচাই করা হয়েছে। তদ্ব্যতীত, দশটি নতুন যৌগের আমাদের লক্ষ্য ভবিষ্যদ্বাণী যাচাই করার জন্য, প্রতিটি যৌগের জন্য বাঁধাই মোডের বিশদ পরিদর্শন প্রদানের জন্য আণবিক ডকিং সিমুলেশনগুলি গৃহীত হয়েছিল, যেখানে ছয়টি যৌগ এইচআইভি এবং এইচবিভি লক্ষ্যগুলির সাথে যমজ সম্পর্ক রয়েছে বলে ভবিষ্যদ্বাণী করা হয়েছিল, যা যাচাই করা হয়েছে। আণবিক ডকিং অ্যালগরিদম দ্বারা। এইভাবে, ফলাফলগুলি দেখায় যে এইচআইভি-1 এবং এইচবিভিকে একই সাথে লক্ষ্য করে এমন নির্দিষ্ট ইনহিবিটার ডিজাইন করা সম্ভব। এছাড়াও, আমাদের এনসেম্বল মডেলে কার্যকরভাবে এইচআইভি/এইচবিভি সংক্রমনের বহুমুখী সহ-ইনহিবিটর সনাক্ত করার সম্ভাবনা রয়েছে এবং অন্যান্য জটিল রোগের চিকিৎসার জন্য ভার্চুয়াল স্ক্রীনিং মাল্টিটার্গেট ওষুধের জন্য সম্ভাব্য অ্যাপ্লিকেশন রয়েছে।

4. উপকরণ এবং পদ্ধতি

4.1। ডেটা সেট প্রস্তুতি

ChEMBL ডেটাবেস [35] (সংস্করণ 32) এবং থেরাপিউটিক টার্গেট ডেটাবেস (TTD) এইচআইভি-1 এবং এইচবিভি সম্পর্কিত ক্লিনিকাল লক্ষ্যগুলি নির্বাচন করতে ব্যবহৃত হয়েছিল। কীওয়ার্ড "এইচআইভি-1", "হিউম্যান ইমিউনোডেফিসিয়েন্সি ভাইরাস টাইপ-1", "এইচবিভি", এবং "হেপাটাইটিস বি ভাইরাস" পুনরুদ্ধারের শর্ত হিসাবে ব্যবহৃত হয়েছিল। তারপরে, লক্ষ্যের সাথে সম্পর্কিত যৌগের সংখ্যা 30-এর কম হলে অনুসন্ধানের ফলাফলগুলি আরও ফিল্টার করা হয়েছিল। এদিকে, জৈবিক কার্যকলাপের পরিমাণগত পরিমাপযুক্ত যৌগগুলি (IC50, EC50, Ki, বা Kd) 10 µM এর চেয়ে কম বা সমান ছিল "সক্রিয়" লেবেলযুক্ত; বিপরীতে, 10 µM এর বেশি জৈবিক কার্যকলাপের পরিমাণগত পরিমাপ যাদেরকে "নিষ্ক্রিয়" হিসাবে চিহ্নিত করা হয়েছিল।

4.2। গ্রাফ নিউরাল নেটওয়ার্ক দ্বারা আণবিক বৈশিষ্ট্য নিষ্কাশন

সরলীকৃত আণবিক ইনপুট লাইন এন্ট্রি সিস্টেম56 (স্মাইলস) [55] যৌগগুলি ChEMBL ডাটাবেস থেকে ডাউনলোড করা হয়েছিল, এবং RDKit [56] টুলটি ব্যবহার করা হয়েছিল এই স্মাইলস এনকোডিং যৌগগুলিকে আণবিক গ্রাফ এবং মর্গান আঙ্গুলের ছাপগুলি পাওয়ার জন্য প্রক্রিয়া করার জন্য। তারপরে, আণবিক কাঠামোর উপস্থাপনা শিখতে তিনটি গ্রাফ নিউরাল নেটওয়ার্ক মডেল (GCN, GGNN, DMPNN) গৃহীত হয়েছিল, যেখানে প্রতিটি গ্রাফ নোড এবং প্রান্তগুলির সমন্বয়ে গঠিত। নোডগুলি পরমাণুর ধরণ, পরমাণুর উপাদান, অতিরিক্ত পরমাণুর সংখ্যা, ভ্যালেন্স ইলেকট্রনের সংখ্যা, সুগন্ধযুক্ত বৈশিষ্ট্য এবং অন্যান্য বৈশিষ্ট্য দ্বারা বর্ণিত হয়। সংলগ্ন ম্যাট্রিক্স একক বা ডবল বন্ড নির্বিশেষে পরমাণুর জোড়ার মধ্যে সংযোগের প্রতিনিধিত্ব করে। গ্রাফ কনভোলিউশনাল নিউরাল নেটওয়ার্কে (GCN), গ্রাফ নোডগুলির অবস্থাগুলি এম্বেডিং পদ্ধতি ব্যবহার করে আপডেট করা হয়: hi t=U(hi t−1 , mi t ), যেখানে ith নোডটি পূর্ববর্তী দ্বারা আপডেট করা হয়েছিল নোড স্টেট hi t−1 বার্তা সহ mi t। গেটেড গ্রাফ নিউরাল নেটওয়ার্ক (GGNN) প্রচারের ধাপে গেট রিকরেন্ট ইউনিট (GRUs) [57] ব্যবহার করে। অধিকন্তু, নির্দেশিত MPNN-এ তিনটি প্রধান ক্রিয়াকলাপ রয়েছে: বার্তা পাস করা, নোড আপডেট এবং রিডআউট:

যেখানে Mt হল মেসেজ ফাংশন, Ut হল নোড আপডেট ফাংশন, এবং N(i) হল গ্রাফ G-এ নোড i-এর প্রতিবেশীদের সেট। রিডআউট ফেজ পুরো গ্রাফের বৈশিষ্ট্য ভেক্টর গণনা করতে একটি রিডআউট ফাংশন R ব্যবহার করে:

মেসেজ ফাংশন, আপডেট ফাংশন এবং রিডআউট ফাংশন সবই আলাদা। R নোডের অবস্থার সেটে কাজ করে এবং নোডের বিন্যাসের প্রতি সংবেদনশীল নয়, যা MPNN গ্রাফ আইসোমরফিজমের অপরিবর্তনীয় দিকে নিয়ে যায়। জেনেরিক MPNN-এ শীর্ষবিন্দু (পরমাণু) এর সাথে যুক্ত বার্তা ব্যবহার করার পরিবর্তে, নির্দেশিত MPNN (DMPNN) অণুতে নির্দেশিত প্রান্ত (বন্ড) এর সাথে যুক্ত বার্তাগুলি ব্যবহার করে, যা বার্তাগুলিকে টোটার হওয়া এড়াতে, অর্থাৎ অপ্রয়োজনীয় লুপগুলি রোধ করতে। বার্তা ক্ষণস্থায়ী গতিপথ [58]. আমাদের গবেষণায়, ডিএমপিএনএন আণবিক সম্পত্তি নিষ্কাশনে উচ্চতর কর্মক্ষমতা প্রদর্শন করেছে।

4.3। মাল্টিটার্গেট প্রেডিকশন মডেল

এই গবেষণায়, একটি মাল্টিটার্গেট ক্লাসিফায়ার তৈরি করতে, তিনটি গ্রাফ নিউরাল নেটওয়ার্ক-ভিত্তিক এনসেম্বল মডেল যা গ্রাফ উপস্থাপনাকে একীভূত করে এবং আণবিক কাঠামোর মর্গ্যান উপস্থাপনাকে 12টি বাইনারি ক্লাসিফায়ার ডেটা সেটে মূল্যায়ন করা হয়েছিল। প্রতিটি GNN-এর মূল আউটপুট স্তরটি গ্রেডিয়েন্ট বুস্টিং ডিসিশন ট্রি (GBDT) দ্বারা প্রতিস্থাপিত হয়েছিল, যা অন্যান্য সমস্ত তত্ত্বাবধানে থাকা শিক্ষার্থীদের মধ্যে সেরা পূর্বাভাস কর্মক্ষমতা অর্জন করেছে: SVM, RF, এবং XGBoost। তারপর, এই 12টি বাইনারি ক্লাসিফায়ারগুলিকে একত্রিত করে, HIV-1/HBV টার্গেট-কম্পাউন্ড অ্যাসোসিয়েশন সনাক্ত করার জন্য মাল্টিটার্গেট ভবিষ্যদ্বাণী তৈরি করা হয়েছিল, যার নাম DMPNN প্লাস GBDT।

4.4। মেশিন লার্নিং পদ্ধতি

সহযোগী ডুয়েটগুলিতে গ্রাফ নিউরাল নেটওয়ার্কের সহযোগিতা নির্বাচন করতে, বাইনারি টার্গেট ক্লাসিফিকেশন টাস্কের পারফরম্যান্সের জন্য ছয় ধরণের মেশিন লার্নিং অ্যালগরিদম মূল্যায়ন করা হয়েছিল: র্যান্ডম ফরেস্ট (RF), সমর্থন ভেক্টর মেশিন (SVM), নিষ্পাপ বেইস (NB) , গ্রেডিয়েন্ট বুস্টিং ডিসিশন ট্রি (GBDT), এবং চরম গ্রেডিয়েন্ট বুস্টিং অ্যালগরিদম (XGBoost)। সমস্ত মেশিন লার্নিং পদ্ধতির হাইপারপ্যারামিটার টিউনিং একটি সীমিত হাইপারপ্যারামিটার স্থানের উপর একটি সম্পূর্ণ অনুসন্ধানে {{0}}ভাঁজ ক্রস-ভ্যালিডেশন ব্যবহার করে অপ্টিমাইজ করা হয়েছিল। RF শ্রেণীবিভাগে, একটি প্রদত্ত নমুনার জন্য, প্রতিটি সিদ্ধান্ত গাছ একটি লেবেল ভবিষ্যদ্বাণী করে, এবং নমুনার চূড়ান্ত ভবিষ্যদ্বাণী হল বেশিরভাগ গাছের পূর্বাভাসের লেবেল, যেখানে সিদ্ধান্ত গাছের সংখ্যা 10{{18 }}0। SVM শ্রেণীবিভাগ বিভিন্ন শ্রেণীর অন্তর্গত উদাহরণগুলির মধ্যে দূরত্ব (বাইনারী) সর্বাধিক করে দুটি শ্রেণীর সর্বোত্তম বিভাজন তৈরি করেছে। এই অ্যালগরিদমের জন্য, ত্রুটিগুলি নিয়ন্ত্রণ করতে ব্যবহৃত একটি "খরচ" হাইপারপ্যারামিটার প্রার্থীর মান 0 দ্বারা অপ্টিমাইজ করা হয়েছিল৷{30}}1, 0.1, 1, 10, এবং 100. GBDT হল এনসেম্বল লার্নিং বুস্টিং ফ্যামিলির একজন সদস্য, যেটি ফরোয়ার্ড ডিস্ট্রিবিউশন অ্যালগরিদম ব্যবহার করে পুনরাবৃত্তি করে। পূর্ববর্তী পুনরাবৃত্তি থেকে শক্তিশালী লার্নার হল ft−1(x), লস ফাংশন হল L(y, ft−1(x)), এবং এই পুনরাবৃত্তির লক্ষ্য হল একটি ডিসিশন ট্রি লার্নার ht(x) খুঁজে বের করা, লস ফাংশন L(y, ft(x))=L(y, ft−1(x) প্লাস ht(x)) কম করা। এই অ্যালগরিদমের জন্য, সিদ্ধান্ত গাছের সংখ্যা 1000 নির্ধারণ করা হয়েছিল; সিদ্ধান্ত গাছের সর্বোচ্চ গভীরতা 3, 5,10 থেকে নির্বাচন করা হয়েছিল; শেখার হার (0, 1) থেকে নমুনা করা হয়েছিল; এবং একটি অভ্যন্তরীণ নোডকে বিভক্ত করার জন্য নমুনার ন্যূনতম সংখ্যা ছিল 2, 3, 4 এবং 5 থেকে একজন প্রার্থী। অবশেষে, 3টি XGBoost প্যারামিটার টিউন করা হয়েছে, অর্থাৎ, 5 প্রার্থীর মান 0.01 থেকে শেখার হার, সর্বোচ্চ গভীরতা এবং সর্বনিম্ন শিশুর ওজন , 0.05, 0.1, 0.15, এবং 0.2।

4.5। কর্মক্ষমতা বৈশিষ্ট্যের মান

এই অধ্যয়নটি একক-টার্গেট ভবিষ্যদ্বাণী বৈধতায় অন্য দুটি গ্রাফ নিউরাল নেটওয়ার্কের সাথে ভবিষ্যদ্বাণী কর্মক্ষমতা সহ প্রস্তাবিত ফ্রেমওয়ার্ক DMPNN প্লাস GBDT মূল্যায়ন করেছে। F1 স্কোর এবং AUC, প্রতিটি মডেলের কর্মক্ষমতা মূল্যায়ন করার জন্য গৃহীত হয়েছিল। F1 স্কোর হল সুস্পষ্টতা (PPV) এবং রিকল (TPR) এর সুরেলা গড়, AUC স্কোরকে শ্রেণীবিভাগ কর্মক্ষমতা মেট্রিকের জন্য রিসিভার অপারেটিং বৈশিষ্ট্য (ROC) বক্ররেখার অধীনে এলাকা হিসাবে সংজ্ঞায়িত করা হয়। ROC বক্ররেখাকে পয়েন্ট ট্রু পজিটিভ রেট (TPR) এবং মিথ্যা পজিটিভ রেট (FPR) এর সংযুক্ত বক্ররেখা হিসাবে সংজ্ঞায়িত করা হয়।

যেখানে TP মানে সত্যিকারের ইতিবাচক, TN মানে সত্যিকারের নেতিবাচক, FP মানে মিথ্যা ইতিবাচক, এবং FN মানে মিথ্যা নেতিবাচক, যথাক্রমে সক্রিয় এবং নিষ্ক্রিয় যৌগিক লেবেলগুলিকে ইতিবাচক এবং নেতিবাচক উল্লেখ করে।

HIV-1/HBV টার্গেট ভবিষ্যদ্বাণী টাস্কে 12টি একক টার্গেট বাইনারি ক্লাসিফায়ারের সাথে মিলিত আমাদের মাল্টিটার্গেট ক্লাসিফায়ারের বৈশ্বিক কর্মক্ষমতা মূল্যায়ন করতে, পরিচিত যৌগ টার্গেট অ্যাসোসিয়েশনগুলির মধ্যে পরিচিত সক্রিয় যৌগগুলি সনাক্ত করার ক্ষমতা NPV, TPR, এবং কোন অনুপস্থিত পরিচিত ইন্টারঅ্যাকশনের ক্ষমতা FNR মেট্রিক্স হিসাবে ব্যবহার করা হয়েছিল।

4.6। ডেটা ভারসাম্যহীনতা

চিত্র 2 এ দেখানো হয়েছে, এই গবেষণায় ব্যবহৃত ডেটা সেটগুলি ভারসাম্যহীন। বিশেষ করে মেশিন লার্নিং পদ্ধতিতে পরামিতিগুলি সামঞ্জস্য করে এই বিভাগগুলিতে শ্রেণিবিন্যাস ত্রুটির শাস্তি দিয়ে শ্রেণিবিন্যাসের প্রশিক্ষণের কাজে নির্দিষ্ট বিভাগের গুরুত্ব বাড়ানোর জন্য আমরা ব্যয়-সংবেদনশীল শিক্ষা পদ্ধতি গ্রহণ করেছি। XGBoost-এর জন্য, প্যারামিটার "স্কেল_pos_ওজন" নেতিবাচক কেস এবং পজিটিভ কেসের সংখ্যার অনুপাতে সেট করা হয়েছিল। SVM এবং RF হিসাবে, প্যারামিটার "শ্রেণী_ওজন" "ভারসাম্য" সেট করা হয়েছিল। এনবি অ্যালগরিদমে ডেটা ভারসাম্য রাখার জন্য কোনও প্রযুক্তিগত পরামিতি নেই। যাইহোক, ডিসিশন ট্রি মডেলের জন্য, যেগুলি ক্লাসিফিকেশন ট্রি তৈরি করতে ক্লাস ভেরিয়েবলের উপর ভিত্তি করে পার্টিশন নিয়ম ব্যবহার করে, তারা জোরপূর্বক বিভিন্ন ক্যাটাগরি থেকে নমুনা আলাদা করে ভালো পারফরম্যান্স অর্জন করতে পারে। তাই, GDBT-তে, আমরা বিভিন্ন ডেটা সেটে নেতিবাচক নমুনা এবং ধনাত্মক নমুনার অনুপাত অনুসারে প্যারামিটার "নমুনা_ওজন" সেট করি, যার ফলে কৃত্রিমভাবে বড় নমুনা সেটের প্রভাব হ্রাস পায়।

5। উপসংহার

এই নিবন্ধে, আমরা একটি দক্ষ তত্ত্বাবধানে শেখার অ্যালগরিদমকে একীভূত করে একটি গ্রাফ নিউরাল নেটওয়ার্ক-ভিত্তিক ভবিষ্যদ্বাণী মডেলের প্রস্তাব করেছি যা গ্রেডিয়েন্ট বুস্টিং কৌশল, GBDT-এর একটি চমৎকার বাস্তবায়ন। 12টি বাইনারি সর্বোত্তম শ্রেণিবিন্যাস ডেটা সেটগুলিকে একত্রিত করে, 1টি একাধিক লক্ষ্য পূর্বাভাস মডেল তৈরি করা হয়েছিল। আমাদের মাল্টিটার্গেট ভবিষ্যদ্বাণী সমন্বিত মডেলের কর্মক্ষমতা মূল্যায়ন করার জন্য, ভবিষ্যদ্বাণী মূল্যায়নের জন্য পাঁচটি বাহ্যিক ডেটা সেট তৈরি করা হয়েছিল, যার সবকটিই সন্তুষ্ট PPV এবং TPR অর্জন করেছে, যার অর্থ HIV-এর সম্ভাব্য লক্ষ্যগুলির তুলনামূলকভাবে অত্যন্ত সঠিক ভবিষ্যদ্বাণী-1 এবং এইচবিভি। অধিকন্তু, আমাদের গবেষণা সম্ভাব্য সম্ভাব্য লক্ষ্য শনাক্ত করার জন্য পরিচিত এইচআইভি-1 এবং এইচবিভি ওষুধের পূর্বাভাস দিয়েছে, এইচআইভি-1 এবং এইচবিভি-এর যমজ লক্ষ্যগুলির জন্য নতুন যৌগগুলিও অন্বেষণ করেছে, যার ফলে চিকিত্সার জন্য ছয়টি নতুন সম্ভাব্য যৌগ তৈরি হয়েছে। HIV-1 এবং HBV-এর সহ-সংক্রমণ। উপসংহারে, এই গবেষণায় ব্যবহৃত নিউরাল নেটওয়ার্ক মডেল কার্যকরভাবে এইচআইভি-1 এবং এইচবিভি-এর সহ-প্রতিরোধক চিহ্নিত করতে পারে এবং এইচআইভি/এইচবিভি সংক্রমনের চিকিত্সার জন্য মাল্টিটার্গেট ওষুধের ভার্চুয়াল স্ক্রীনিংয়ের জন্য সম্ভাব্য প্রয়োগ করতে পারে।

লেখকের অবদান: এলজেড এবং ওয়াইডব্লিউ গ্রাফ নেটওয়ার্ক মডেলের ধারণা এবং ডিজাইন করেছেন এবং সিমুলেটেড অধ্যয়ন এবং বাস্তব ডেটা সেট বিশ্লেষণ বাস্তবায়ন করেছেন; YL পরীক্ষার জন্য কোড লিখেছে; LZ, YW, এবং XC পুরো পাণ্ডুলিপি লিখেছেন। সমস্ত লেখক এর দায়িত্ব নেওয়ার জন্য কাজটিতে যথেষ্ট অংশগ্রহণ করেছেন। সমস্ত লেখক পাণ্ডুলিপির প্রকাশিত সংস্করণ পড়েছেন এবং সম্মত হয়েছেন।

অর্থায়ন: এই গবেষণাটি চীনের ন্যাশনাল ন্যাচারাল সায়েন্স ফাউন্ডেশন (নং 3161194 এবং নং 72271028) দ্বারা অর্থায়ন করা হয়েছিল।

প্রাতিষ্ঠানিক পর্যালোচনা বোর্ড বিবৃতি: প্রযোজ্য নয়।

অবহিত সম্মতি বিবৃতি: প্রযোজ্য নয়।

তথ্যসূত্র

1. ইউএনএইডস। AIDSinfo 2020. অনলাইনে উপলব্ধ:https://aidsinfo.unaids.org/(12 জানুয়ারী 2022 এ অ্যাক্সেস করা হয়েছে)।

2. Bendavid, E.; তরুণ, এসডি; কাটজেনস্টাইন, ডিএ; Bayoumi, AM; স্যান্ডার্স, জিডি; ওয়েনস, ডিকে এইচআইভি মনিটরিংয়ের খরচ-কার্যকারিতারিসোর্স-লিমিটেড সেটিংসে কৌশল: একটি দক্ষিণ আফ্রিকান বিশ্লেষণ।খিলান। ইন্টার্ন মেড.2008, 168, 1910–1918. [ক্রসরেফ] [পাবমেড] 

3. চার্লস, এম.; বয়েল, বিএ অতিরিক্ত এবং অ্যাক্সেস: আফ্রিকায় এইচআইভি এবং স্বাস্থ্যসেবা সংক্রান্ত অব্যাহত বিতর্ক।এইডস পড়া.2002, 12, 288–292. 4. জিয়া, এইচ.; ওয়াং, ওয়াই.; সান, এইচএল; গাও, LY; Cao, Y.; Zaongo, SD; জেং, আরএন; উ, এইচ.; ঝাং, এমজে; মা, পি. এর নিরাপত্তা এবং কার্যকারিতাঅ্যালোজেনিক ন্যাচারাল কিলার সেল ইমিউনোথেরাপি অন হিউম্যান ইমিউনোডেফিফিফিসিয়েন্সি ভাইরাস টাইপ 1 ইমিউনোলজিক্যাল নন-রিসপন্ডার: এসংক্ষিপ্ত প্রতিবেদন.থুতনি. মেড. জে.2020, 133, 2803–2807. [ক্রসরেফ] [পাবমেড] 5. Zaongo, SD; জিয়া, এইচ.; মা, পি. এইচআইভি জিন থেরাপি কৌশল এবং নিরাপত্তা: সাম্প্রতিক প্রকাশনা থেকে আমরা কী জানি?এইডসরেভ2020, 23, 195–202. [ক্রসরেফ] [পাবমেড] 6. Falkenhagen, A.; জোশী, এস. জেনেটিক স্ট্র্যাটেজিস ফর এইচআইভি চিকিৎসা ও প্রতিরোধ।মোল. সেখানে। নিউক্লিক অ্যাসিড2018, 13, 514–533. [ক্রসরেফ] 7. জেনওয়ে, সিএ, জুনিয়র; ট্র্যাভার্স, পি.; ওয়ালপোর্ট, এম.; শ্লোমচিক, এমজেইমিউনোবায়োলজি: স্বাস্থ্য এবং রোগের ইমিউন সিস্টেম, 5ম সংস্করণ;গারল্যান্ড বিজ্ঞান: নিউ ইয়র্ক, এনওয়াই, মার্কিন যুক্তরাষ্ট্র, 2001।8. হফম্যান, সিজে; থিও, এশিয়া ও আফ্রিকায় এইচআইভি এবং হেপাটাইটিস বি কো-ইনফেকশনের সিএল ক্লিনিকাল প্রভাব।ল্যানসেট ইনফেক্ট। ডিস.2007, 7, 402–409. [ক্রসরেফ] 9. সিং, কেপি; ক্রেন, এম.; অডসলি, জে.; আভিহিংসানন, এ.; সাসাদেউস, জে.; লেউইন, এসআর এইচআইভি-হেপাটাইটিস বি ভাইরাস সংক্রমন: এপিডেমিওলজি,প্যাথোজেনেসিস, এবং চিকিত্সা।এইডস2017, 31, 2035–2052. [ক্রসরেফ] 10. চেং, জেড.; লিন, পি.; চেং, এন. এইচবিভি/এইচআইভি সংক্রমন: লিভারের রোগের বিকাশ এবং ক্লিনিকাল চিকিত্সার উপর প্রভাব।সামনে।মেড.2021, 8, 713981. [ক্রসরেফ] 

সহায়ক পরিষেবা:

ইমেল:wallence.suen@wecistanche.com

Whatsapp/টেল: প্লাস 86 15292862950

দোকান:

https://www.xjcistanche.com/cistanche-shop