بیماری آلزایمر یک بیماری پیشرونده و تخریب کننده سیستم عصبی است که باعث اختلال در کارکردهای شناختی و ایجاد آسیب های روانی مختلف می شود. روند پاتوفیزیولوژیک بیماری آلزایمر قبل از تشخیص بالینی آغاز می شود و تشخیص زود هنگام آن بسیار مهم است. از آنجا که توصیف بهتر مکانیسم های سلولی و مولکولی و ارتباطات ژن-miRNAها، به درک عمیق تر از بیماری زایی آلزایمر کمک می کند، طراحی مدل های شناختی محاسباتی که به پیش بینی بیومارکرهای دخیل در این بیماری کمک می کنند، می تواند باعث تسریع در اقدامات پیشگیرانه و اصلاحی برای افراد در معرض خطر شروع بیماری آلزایمر باشد. در این مطالعه، با استفاده از سیستم های توصیه گر و استفاده از یک الگوریتم یادگیری ماشین در پالایش مشارکتی، روشی ارائه می شود تا با به کارگیری داده های ارتباطات ژن-miRNA موجود در پایگاه داده های زیستی، بتواند ارتباطات احتمالی دیگر ژن-miRNA دخیل در بیماری آلزایمر را پیش بینی کند. ما از اعتبارسنجی متقابل و محاسبه AUC برای ارزیابی عملکرد روش به کار گرفته شده استفاده می کنیم. تعداد 30 ارتباط جدید ژن-miRNA دخیل در بیماری آلزایمر پیش بینی شده و مورد ارزیابی قرار گرفت. همچنین نتایج تجربی نشان داده است که الگوریتم منتخب ما در مقایسه با الگوریتم های دیگر یادگیری ماشین مورد استفاده در پالایش مشارکتی، که در این پژوهش مورد ارزیابی قرار گرفت، با خطای RMSE=0.89 و AUC=0.97 می تواند عملکرد مطلوبی را نشان دهد. همچنین می توان استفاده از روش های ترکیبی، شبکه عصبی مصنوعی و یا یادگیری عمیق را برای مطالعات آتی مورد توجه قرار داد.
