فهرست نشریات علمی دسترسی آزاد ایران

تمرین ورزشی شدید، به‌ویژه تمرین تناوبی دوچرخه‌سواری، پاسخ التهابی پویایی را در پلاسما القا می‌کند که حاصل تعامل زمان‌مند بین سایتوکاین‌ها، میوکاین‌ها و آدیپوکاین‌هاست. اگرچه مدل‌های یادگیری ماشین برای پیش‌بینی پیامدهای این پاسخ‌ها به‌کار گرفته شده‌اند، اما ماهیت پیچیده آنها مانع از درک مکانیسم‌های فیزیولوژیکی پشت این تعاملات شده است. در این مقاله، ما یک چارچوب هوش مصنوعی قابل تفسیر (XAI) ارائه می‌دهیم که داده‌های سری زمانی چندنشانگری پلاسما را به‌عنوان یک شبکه پویا مدل‌سازی می‌کند. هسته این چارچوب، شبکه عصبی گرافی پویا (DySAT) همراه با لایه تفسیرپذیری مبتنی بر رویکرد SHAP است که امکان شناسایی الگوهای فردی فنوتیپ‌های التهابی و تبیین نقش زمینه‌وابسته نشانگرهای کلیدی را فراهم می‌آورد. این رویکرد، مرز بین پیش‌بینی خام و درک مکانیسمی را از بین می‌برد و هوش مصنوعی را از ابزاری محاسباتی به شریکی در کشف علمی تبدیل می‌کند. چارچوب پیشنهادی، نه‌تنها برای علوم ورزشی، بلکه به‌عنوان یک الگوی روش‌شناختی قابل تعمیم در مطالعه هر فرآیند فیزیولوژیکی پویا از توانبخشی تا بیماری‌های التهابی کاربرد دارد. این مقاله نشان می‌دهد که هوش مصنوعی، در صورت طراحی شفاف و زمینه‌یافته، می‌تواند دانش زیستی را نه جایگزین کند، بلکه گسترش دهد.